21579 पेपर
यह शोध पत्र न्यूरल मिनिमम वेट परफेक्ट मैचिंग (NMWPM) को प्रस्तुत करता है, जो एक हाइब्रिड डिकोडर है जो MWPM एल्गोरिदम के लिए डायनेमिक एज वेट्स (dynamic edge weights) की भविष्यवाणी करने के लिए ग्राफ न्यूरल नेटवर्क और ट्रांसफॉर्मर्स को जोड़ता है, जिससे डिपोलराइजिंग नॉइज़ (depolarizing noise) के तहत टोरिक कोड पर लगभग इष्टतम त्रुटि सुधार थ्रेशोल्ड प्राप्त होता है।
यह शोध पत्र एनएलपी (NLP) के लिए एक अनुदैर्ध्य मॉडलिंग और मूल्यांकन प्रतिमान प्रस्तावित करता है जो दस्तावेजों को स्वतंत्र नमूनों के बजाय समय-क्रमबद्ध व्यवहारिक अनुक्रमों के रूप में मानता है, और एक पीटीएसडी (PTSD) डायरी अध्ययन के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण पारिस्थितिक रूप से वैध अंतर्दृष्टि प्रदान करता है जो अक्सर पारंपरिक दस्तावेज़-स्तरीय विधियों द्वारा छूट जाती हैं या उलट दी जाती हैं।
यह शोध पत्र स्टाइल-कंडीशन्ड इम्प्लिसिट क्यू-लर्निंग (SCIQL) का प्रस्ताव करता है, जो एक ऐसा ढांचा है जो व्यवहार शैली परिभाषा को एकीकृत करता है और ऑफलाइन गोल्स-कंडीशन्ड आरएल तकनीकों को गेटेड एडवांटेज वेटेड रिग्रेशन के साथ नियोजित करता है ताकि ऑफलाइन रिइन्फोर्समेंट लर्निंग में उच्च कार्य प्रदर्शन को मजबूत शैली पर्यवेक्षण के साथ प्रभावी ढंग से संरेखित किया जा सके।
यह शोध पत्र SPAN को प्रस्तुत करता है, जो कि सुदृढीकरण शिक्षण (reinforcement learning) के लिए एक स्प्लाइन-आधारित अनुकूलन योग्य न्यूरल आर्किटेक्चर है, जो प्रति-चरण कम्प्यूटेशनल ओवरहेड में मामूली वृद्धि के बावजूद, बेंचमार्क वातावरण और वास्तविक दुनिया के HVAC नियंत्रण अनुप्रयोगों दोनों में MLP बेसलाइन की तुलना में सैंपल दक्षता और अभिसरण विश्वसनीयता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र SPARKLING को प्रस्तुत करता है, जो प्रोग्रेसिव लर्निंग में मिड-स्टेज विड्थ एक्सपेंशन (मध्य-चरण चौड़ाई विस्तार) के लिए एक नवीन फ्रेमवर्क है जो प्रशिक्षण अस्थिरता को दूर करने के लिए सिग्नल प्रिजर्वेशन (सिग्नल संरक्षण) और सिमिट्री ब्रेकिंग (सममिति भंग) के बीच संतुलन बनाता है, जिससे कंप्यूटेशनल लागत में 35% तक की कमी आती है और स्क्रैच से प्रशिक्षण की तुलना में बेहतर प्रदर्शन होता है।
यह शोध पत्र एक प्रशिक्षण-मुक्त, टेस्ट-टाइम डिटॉक्सिफिकेशन विधि प्रस्तुत करता है जो इनपुट एम्बेडिंग्स पर ज़ीरो-ऑर्डर ऑप्टिमाइज़ेशन का उपयोग करके बड़े भाषा मॉडलों को बिना मॉडल रिट्रेनिंग, ग्रेडिएंट्स, या आंतरिक गणनाओं तक पहुँच के, कम विषाक्त आउटपुट की ओर निर्देशित करती है।
यह शोध पत्र एक स्केलेबल, हार्डवेयर-नेटिव फिजिकल एनालॉग कोल्मोगोरोव-आर्नोल्ड नेटवर्क (aKAN) आर्किटेक्चर प्रस्तुत करता है जो पुनर्गठनीय नॉनलीनियर-प्रोसेसिंग यूनिट्स (RNPUs) का उपयोग करता है और एज इन्फरेंस के लिए सटीक फंक्शन एप्रोक्सिमेशन बनाए रखते हुए डिजिटल मल्टीलेयर पर्सेप्ट्रॉन्स की तुलना में ऊर्जा, लेटेंसी और क्षेत्र में महत्वपूर्ण कमी प्राप्त करता है।
यह शोध पत्र नॉइज़-अलाइन्ड आरएफएम स्टीयरिंग (NA-RFM) प्रस्तुत करता है, जो डिफ्यूजन मॉडल्स को स्टीयर करने की एक कुशल विधि है जो ऑफलाइन-कम्प्यूटेड नॉइज़ अलाइनमेंट और रिकर्सिव फीचर मशीन एक्टिवेशन स्टीयरिंग को जोड़कर तेज़ इन्फरेंस और बेहतर सटीकता प्राप्त करती है, जिससे प्रति-चरण होने वाली महंगी ग्रेडिएंट गणनाओं की आवश्यकता समाप्त हो जाती है।
यह शोध पत्र एक डिफ्यूजन-आधारित डीप लर्निंग फ्रेमवर्क प्रस्तुत करता है जो हल्के LUCIE जलवायु एमुलेटर के आउटपुट को ~300 किमी से ~28 किमी रिज़ॉल्यूशन तक सफलतापूर्वक डाउनस्केल करता है, जो क्षेत्रीय प्रभाव आकलन के लिए सटीक सूक्ष्म-स्तरीय जलवायु सांख्यिकी उत्पन्न करते हुए बड़े पैमाने की गतिशीलता को संरक्षित करता है।