21579 पेपर
यह शोध पत्र एक स्व-पर्यवेक्षित एजेंट प्रस्तुत करता है जो केवल स्वयंसिद्धों (axioms) और अनुमान नियमों (inference rules) से शुरू होकर स्वायत्त रूप से हजारों अर्थपूर्ण प्रमेयों की खोज करता है और मानव बेंचमार्क समस्याओं को हल करता है, यह प्रदर्शित करते हुए कि उपयोगी गणितीय ज्ञान बिना किसी मानवीय पूर्वग्रह के उभर सकता है और एलएलएम (LLM) तर्क क्षमता को प्रभावी ढंग से बढ़ा सकता है।
यह शोधपत्र अंतर्निहित डेटा मॉडलों को मानने के बजाय ज्ञात सैंपलिंग संभावनाओं (sampling probabilities) का लाभ उठाकर मशीन लर्निंग एल्गोरिदम में निष्पक्ष भविष्यवाणियों और वर्गीकरणों को प्राप्त करने के लिए एक डिज़ाइन-आधारित ढांचे का प्रस्ताव करता है, जिससे आधिकारिक सांख्यिकी जैसे संदर्भों में निष्पक्ष अनुमान की आवश्यकता को संबोधित किया जा सके।
HARD-KV एक एकीकृत ढांचा है जो कैस्केड कैश पदानुक्रम (Cascade Cache hierarchy), लॉजिट्स कैलिब्रेशन (Logits Calibration) और एक सिस्टम-स्तरीय लेआउट रीराइटिंग तंत्र को पेश करके डायनेमिक, हेड-एडेप्टिव KV संपीड़न और रिजिड इन्फरेंस इंजन बाधाओं के बीच के संघर्ष को हल करता है, जिससे लंबे-संदर्भ वाले परिदृश्यों में उच्च-फिडेलिटी जनरेशन बनाए रखते हुए 2 तक थ्रूपुट सुधार प्राप्त होता है।
यह शोध पत्र गाऊसी प्रोसेस रिग्रेशन के लिए एक सक्रिय क्वांटम कर्नेल अधिग्रहण विधि प्रस्तावित करता है जो व्युत्पन्न संवेदनशीलता मेट्रिक्स और एक समान कवरेज फ्लोर के आधार पर कर्नेल मैट्रिक्स प्रविष्टियों में सीमित शॉट बजट को इष्टतम रूप से आवंटित करता है, जो सिंथेटिक और वास्तविक दुनिया के डेटासेट दोनों पर यूनिफॉर्म एलोकेशन की तुलना में महत्वपूर्ण टेस्ट-RMSE सुधार प्राप्त करता है और विभिन्न डाउनस्ट्रीम कार्यों में मजबूती प्रदर्शित करता है।
यह शोध पत्र कॉन्टैजन टेंसर (Contagion Tensor) और कपलिंग एम्प्लीफिकेशन फैक्टर (CAF) को मल्टी-एजेंट LLM सिस्टम में एजेंटों, मोडैलिटीज़ और समय के बीच आउटपुट-डिस्ट्रीब्यूशन कपलिंग को मापने और उसे गलत सिद्ध करने के लिए एक मात्रात्मक ढांचे के रूप में प्रस्तुत करता है, जिसे सिमुलेशन और रियल-API प्रयोगों के माध्यम से मान्य किया गया है जो वास्तविक कपलिंग प्रभावों को डिज़ाइन आर्टिफैक्ट्स से अलग करते हैं।
यह शोध पत्र एक बायेसियन लेटेंट गॉसियन प्रोसेस फ्रेमवर्क प्रस्तुत करता है जो एरोडायनामिक प्रदर्शन की अनिश्चितताओं को सटीक रूप से मापने के लिए विरल और अनिश्चित प्रायोगिक डेटा के विरुद्ध लो-फिडेलिटी कम्प्यूटेशनल मॉडल्स को कैलिब्रेट करता है, जिससे एक्सट्रपलेटिव सेटिंग्स में भी उच्च भविष्य कहनेवाला सटीकता प्राप्त होती है।
यह प्रारंभिक अध्ययन एक हाइब्रिड "मेमोरी-मैनेज्ड लॉन्ग-कॉन्टेक्स्ट अटेंशन" आर्किटेक्चर का प्रस्ताव करता है जो एक तेज़ रिकरेंट बैकबोन को स्पष्ट, संपादन योग्य मेमोरी स्लॉट्स से अलग करता है, और विभिन्न सिंथेटिक एवं प्राकृतिक भाषा बेंचमार्क के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण ओवरराइट, वर्जनिंग और एंटी-पॉल्यूशन हैंडलिंग की सीमाओं को प्रभावी ढंग से संबोधित करता है, साथ ही यह भी पहचानता है कि लर्नड ओपन-डोमेन सिलेक्शन ही शेष प्रमुख बाधा (बॉटलनेक) है।
यह शोध पत्र लार्ज लैंग्वेज मॉडल्स (LLMs) में इन-कॉन्टेक्स्ट लर्निंग का सैद्धांतिक विश्लेषण करने के लिए एक संभाव्य मॉडल प्रस्तावित करता है, जो सामान्य और एक्सपोनेंशियल फैमिली डिस्ट्रीब्यूशन के लिए प्रदर्शन सीमाओं को व्युत्पन्न करता है ताकि यह समझाया जा सके कि प्रदर्शन (demonstration) की संख्या, पैरामीटर संवेदनशीलता और क्वेरी समानता जैसे कारक सीखने के परिणामों को कैसे प्रभावित करते हैं।
यह शोध पत्र FinInvest-GTCN को प्रस्तुत करता है, जो एक मेटा-कॉज़ल अडैप्टेशन रणनीति द्वारा संवर्धित एक व्याख्यात्मक ग्राफ-टेम्पोरल-कॉज़ल नेटवर्क है, जो अत्याधुनिक जोखिम-समायोजित निवेश प्रदर्शन और व्याख्यात्मकता प्राप्त करने के लिए विषम, गैर-स्थिर और कम-डेटा वाले वेंचर कैपिटल परिवेश की चुनौतियों को प्रभावी ढंग से संबोधित करता है।
ReGuide एक सेल्फ-इंप्रूविंग फ्रेमवर्क है जो बिहेवियर-क्लोन्ड डिफ्यूजन पॉलिसीज़ के लिए फेज़-कंडीशन्ड गाइडेंस का उपयोग करता है ताकि टेस्ट-टाइम डेविएशन के दौरान सुधारात्मक रोलआउट्स जनरेट किए जा सकें और इस रिकवर्ड डेटा के साथ पॉलिसी को इटरेटिवली फाइन-ट्यून किया जा सके, जो मौजूदा स्टैटिक या नॉन-रियूजेबल गाइडेंस मेथड्स की तुलना में टास्क सक्सेस रेट को काफी बढ़ा देता है।