21579 पेपर
यह शोध पत्र ViPSy का प्रस्ताव करता है, जो एक दो-चरणीय ढांचा (two-stage framework) है जो विजुअली ग्राउंडेड और पॉलिसी-अलाइन्ड प्रेफरेंस डेटा को सिंथेसाइज करता है ताकि विजन-लैंग्वेज मॉडल्स में मतिभ्रम (hallucinations) को महत्वपूर्ण रूप से कम किया जा सके, जिससे मतिभ्रम बेंचमार्क पर नया स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त होता है और साथ ही सामान्य दृश्य क्षमताओं में वृद्धि होती है।
यह शोधपत्र SciDraw-Bench प्रस्तुत करता है, जो एक विशिष्ट बेंचमार्क और चार-आयामी मूल्यांकन प्रोटोकॉल है जिसे टेक्स्ट-टू-इमेज और मल्टीमॉडल मॉडल्स की वैज्ञानिक रूप से सटीक चित्र उत्पन्न करने की क्षमता का आकलन करने के लिए डिज़ाइन किया गया है, जो यह प्रदर्शित करता है कि एक डोमेन-विशिष्ट सिस्टम अनुशासन संबंधी परंपराओं और अर्थ संबंधी शुद्धता का पालन करने में सामान्य-उद्देश्य वाले मॉडल्स की तुलना में काफी बेहतर प्रदर्शन करता है।
यह शोधपत्र यह सिद्ध करता है कि बिना किसी साझा घड़ी, मॉडल या समन्वयक की बाधाओं के तहत, संप्रभु एजेंटों के एक विकेंद्रीकृत मेश (mesh) को इष्टतम बुद्धिमत्ता प्राप्त करने के लिए, अंतर्निहित न्यूरल सबस्ट्रेट (neural substrate) एक निरंतर-समय तरल नेटवर्क (continuous-time liquid network) होना चाहिए जो अनुकूलन योग्य समय-पैमानों (timescales) और अंतराल-निर्भर प्रसंस्करण (gap-dependent processing) में सक्षम हो, क्योंकि स्थिर-भार वाले फिल्टर (fixed-weight filters) और मानक डीप लर्निंग आर्किटेक्चर मौलिक रूप से उप-इष्टतम (suboptimal) हैं।
यह शोध पत्र तर्क देता है कि सुदृढीकरण शिक्षण (रीइन्फोर्समेंट लर्निंग) शोधकर्ताओं को "सिमुलेटरों को हल करने" और "वास्तविक दुनिया के परिनियोजन के लिए सिमुलेटरों का एक प्रॉक्सी के रूप में उपयोग करने" के मौलिक रूप से भिन्न लक्ष्यों के बीच स्पष्ट अंतर करना चाहिए, क्योंकि इन उद्देश्यों को मिला देने से अनुचित एल्गोरिदम चयन, भ्रामक मूल्यांकन मेट्रिक्स और त्रुटिपूर्ण निष्कर्ष निकलते हैं।
यह शोधपत्र कोवेरिएंस-एग्नोस्टिक न्यूरल कलमन कंसेंसस फिल्टर (CA-NKCF) को प्रस्तुत करता है, जो एक नवीन वितरित सेंसिंग फ्रेमवर्क है जो विविध रैखिक, अराजक और वायरलेस ट्रैकिंग परिवेशों में शोर सांख्यिकी के ज्ञान की आवश्यकता के बिना मजबूत ऑनलाइन लेटेंट स्टेट एस्टिमेशन प्राप्त करने के लिए आंशिक डोमेन ज्ञान को डीप न्यूरल नेटवर्क के साथ एकीकृत करता है, और पारंपरिक एवं विशुद्ध रूप से मॉडल-मुक्त विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र S-GAI को प्रस्तुत करता है, जो सिग्मोइडल MLPs के लिए एक स्पेक्ट्रल ज्योमेट्री-अवेयर इनिशियलाइज़ेशन फ्रेमवर्क है जो डेटासेट की अंतर्निहित ज्यामिति को एनकोड करने वाले हिडन लेयर के निर्माण के लिए इमेज डेटा के क्लास-वाइज SVD का लाभ उठाता है, जिसके परिणामस्वरूप मानक रैंडम इनिशियलाइज़ेशन विधियों की तुलना में काफी बेहतर प्रारंभिक प्रदर्शन और प्रतिस्पर्धी अंतिम सटीकता प्राप्त होती है।
यह शोध पत्र काउंटरफैक्चुअल रेजिडुअल डेटा ऑग्मेंटेशन (CRDA) का प्रस्ताव करता है, जो टैबुलर रिग्रेशन के लिए एक मॉडल-अज्ञेय तकनीक है जो छोटे फीचर परटर्बेशन्स के तहत रेजिडुअल्स की इनवेरिएंस का लाभ उठाकर यथार्थवादी प्रशिक्षण नमूने उत्पन्न करता है, जिससे डेटा-दुर्लभ और शोर वाले परिवेश में मीन स्क्वेर्ड एरर में काफी कमी आती है।
यह शोध पत्र पर्याप्त उच्च सक्रियण डिग्री वाले डीप मोनॉमियल नेटवर्क्स (deep monomial networks) में यह प्रदर्शित करने के लिए बहुपद बीजगणित (polynomial algebra), विशेष रूप से मेसन्स थ्योरम (Mason's Theorem) के उपकरणों का उपयोग करता है कि अनुकूलन परिदृश्य (optimization landscape) के क्रिटिकल पॉइंट्स सटीक रूप से निष्क्रिय या अनावश्यक न्यूरॉन्स वाले सब-नेटवर्क्स के अनुरूप होते हैं, जिससे डीप लर्निंग में सरल फलनों (simpler functions) की ओर निहित पूर्वाग्रह (implicit bias) के लिए एक गणितीय स्पष्टीकरण प्राप्त होता है।
यह शोध पत्र प्रदर्शित करता है कि भावनात्मक संयोजी (emotional valence) को समाहित करने वाला एक शास्त्रीय टेंसर नेटवर्क मॉडल, बच्चों की भावनात्मक स्मृति की क्रम-निर्भर संरचना को पकड़ने में मानक मनोवैज्ञानिक मॉडलों (77.98% सटीकता प्राप्त करते हुए) से काफी बेहतर प्रदर्शन करता है, जिससे इस प्रकार के संज्ञानात्मक घटनाओं के मॉडलिंग के लिए क्वांटम-प्रेरित विधियों की उपयोगिता प्रमाणित होती है।
यह शोध पत्र एक गतिशील ढांचे का प्रस्ताव करता है जो न्यूरल नेटवर्क की प्रशिक्षण क्षमता (trainability) और प्रतिनिधित्व शिक्षण (representation learning) को एक बेक-बेन एरोस-पेचे (BBP) स्पेक्ट्रल चरण संक्रमण (spectral phase transition) से जोड़ता है, जहाँ स्टोकेस्टिक ग्रेडिएंट ड्राइविंग के कारण सिग्नल आइजनवैल्यूज़ रैंडम बल्क से अलग हो जाते हैं, जो कि रैखिक मॉडलों में विश्लेषणात्मक रूप से व्युत्पन्न किया गया है और गैर-रैखिक सिमुलेशन के माध्यम से मान्य किया गया है।