19670 पेपर
यह शोध पत्र एक सत्यापन-गेटेड स्पेक्ट्रल एविडेंस बंडलिंग पद्धति प्रस्तुत करता है जो आउटपुट कॉन्फिडेंस को संपूर्ण-नमूना स्पेक्ट्रल डिस्क्रिप्टर्स के साथ जोड़कर विश्वसनीय भविष्यवाणियों की पहचान करने और असमर्थ स्पेक्ट्रल कंडीशनिंग को रोकने के लिए टाइम-सीरीज क्लासिफिकेशन हेतु चयनात्मक विश्वसनीयता अनुमान को बढ़ाता है।
यह शोध पत्र एक कंपाउंड स्पैरसिटी फ्रेमवर्क पेश करता है जो सिंगल-मैकेनिज्म कंप्रेशन विधियों से बेहतर प्रदर्शन करने के लिए स्टैटिक पैरामीटर प्रूनिंग को डायनेमिक टोकन-लेवल लेयर स्किपिंग के साथ जोड़ता है, जो प्रभावी रूप से प्रदर्शन क्षरण को विलंबित करता है और लार्ज लैंग्वेज मॉडल्स के लिए एक इष्टतम निकट-संतुलित आवंटन रणनीति को प्रकट करता है।
यह स्थिति पत्र तर्क देता है कि मशीन लर्निंग क्वांटम केमिस्ट्री के लिए सबसे आशाजनक रणनीतिक मार्ग का प्रतिनिधित्व करती है, क्योंकि यह 'डेंसिटी फंक्शनल थ्योरी' जैसे पारंपरिक तरीकों के विकास के संतृप्ति बिंदु पर पहुँचने के बाद, जटिल 'मेनी-बॉडी प्रॉब्लम' (many-body problem) के लिए एक व्यवहार्य निर्णय-सैद्धांतिक समाधान प्रदान करती है।
FedCC एक लो-रिसोर्स फेडरेटेड लर्निंग फ्रेमवर्क है जो फुल फाइन-ट्यूनिंग की तुलना में कंप्यूटेशनल और कम्युनिकेशन लागत को काफी कम करते हुए, भ्रूण अल्ट्रासाउंड छवियों में कॉर्पस कैलोसम के मजबूत, गोपनीयता-संरक्षित स्थानीयकरण (localization) को प्राप्त करने के लिए एक फ्रोजन DINOv2 बैकबोन को LoRA और एक YOLO-आधारित डिटेक्शन हेड के साथ जोड़ता है।
यह शोध पत्र एक नवीन भाषा मॉडल संपीड़न ढांचा प्रस्तावित करता है जो न्यूरॉन महत्व को डेटा-जागरूक लो-रैंक सन्निकटन (low-rank approximation) के साथ एकीकृत करता है और गतिशील संपीड़न दर आवंटन के लिए एक कुशल एल्गोरिदम पेश करता है, जिससे विशेष रूप से उच्च संपीड़न अनुपातों के तहत अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र पदानुक्रमित एज-क्लाउड नेटवर्क में NP-hard संयुक्त सेवा प्लेसमेंट, कम्प्यूटेशनल डेलीगेशन और पावर कंट्रोल समस्या को हल करने के लिए एक लेटेंट एक्शन स्पेस (2T-MDRL-LA) के साथ टू-टाइमस्केल मल्टी-लेयर डीप रिइन्फोर्समेंट लर्निंग फ्रेमवर्क का प्रस्ताव करता है, जो गतिशील स्थितियों के अनुकूल होते हुए एंड-टू-एंड विलंबता को प्रभावी रूप से कम करता है और संसाधन उपयोगिता में सुधार करता है।
यह शोध पत्र मनमानी विभाजनों (arbitrary splits) की सीमाओं को दूर करने के लिए कार्यों की खोज, छँटनी और क्रमबद्धता के माध्यम से टैबुलर डोमेन में पुनरुत्पादित निरंतर विसंगति पहचान (continual anomaly detection) बेंचमार्क डिजाइन करने के लिए एक व्यवस्थित ढांचे को प्रस्तुत करता है, जो अंततः बड़े पैमाने के साइबर सुरक्षा डेटासेट से व्युत्पन्न पांच नए बेंचमार्क परिदृश्य प्रदान करता है।
यह शोध पत्र यह प्रकट करता है कि जैसे-जैसे भाषा मॉडल स्केल होते हैं, वे तेजी से एक आत्म-निरंतर "ऑटो-रिग्रेसिव रिस्क रिजीम" (auto-regressive risk regime) में प्रवेश करते हैं जहाँ कम-संभाव्यता वाले टोकन त्रुटियाँ आत्मविश्वासपूर्ण, हिमस्खलन जैसी बढ़ती हुई मतिभ्रम (hallucinations) को ट्रिगर करती हैं जो मॉडल के अपने अनिश्चितता संकेतों द्वारा पता लगाए जाने की क्षमता से भी अधिक समय तक बनी रहती हैं, जिससे अंततः बड़े मॉडल अपनी सामान्य क्षमता प्राप्त करने के बावजूद गलतियों को अधिक तेजी से संचित करते हैं।
यह शोध पत्र 'मल्टी-टास्क ऑन-पॉलिसी डिस्टिलेशन वाया सॉफ्ट-प्रॉम्ट प्रिविलेज्ड कॉन्टेक्स्ट' (Multi-Task On-Policy Distillation via Soft-Prompt Privileged Context) प्रस्तुत करता है, जो एक ऐसी विधि है जो फ्रोजन बैकबोन मॉडल्स के साथ कार्य-विशिष्ट सीखने योग्य सॉफ्ट प्रॉम्ट्स को शिक्षकों के रूप में उपयोग करती है ताकि एक एकल स्टूडेंट मॉडल बिना कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) से ग्रस्त हुए या पूर्ण वेट फाइन-ट्यूनिंग की आवश्यकता के बिना समानांतर में कई कार्यों से कुशलतापूर्वक ज्ञान आत्मसात कर सके।
यह शोध पत्र सैद्धांतिक और अनुभवजन्य रूप से यह प्रदर्शित करता है कि आंतरिक मॉडल वितरणों को संरक्षित करने वाली संरेखण योजनाएं, जब सीमित सुरक्षा फिल्टरों के साथ संयोजित की जाती हैं, तो विभिन्न मॉडलों और क्वेरी बजटों में एक निरंतर अनुभवजन्य हानि फ्लोर (harm floor) द्वारा प्रमाणित, बड़े भाषा मॉडलों से हानिकारक आउटपुट को पूरी तरह से समाप्त नहीं कर सकती हैं।