21579 पेपर
यह शोध पत्र एक हाइब्रिड फ्रेमवर्क का प्रस्ताव करता है जो एंटरप्राइज शेयर्ड स्टोरेज में क्रिप्टो-रैनसमवेयर का पता लगाने के लिए 'इंडिकेटर्स ऑफ कॉम्प्रोमाइज' निकालने हेतु सिग्नेचर-आधारित "रीजन ऑफ इंटरेस्ट" तकनीक को एक मशीन लर्निंग मॉडल के साथ जोड़ता है, जो 99.64% प्रिसिजन और 99.44% अर्ली डिटेक्शन एक्यूरेसी प्राप्त करते हुए 0% फॉल्स नेगेटिव रेट बनाए रखता है।
यह शोध पत्र CR को प्रस्तुत करता है, जो एक क्रॉस-सैंपल कंसिस्टेंसी रेगुलराइजेशन विधि है जो नमूनों (samples) के बीच सुसंगत लेटेंट असाइनमेंट को लागू करके स्पार्स ऑटोएनकोडर्स (Sparse Autoencoders) में फीचर स्प्लिटिंग और एब्जॉर्प्शन को कम करती है, जिससे पुनर्निर्माण निष्ठा (reconstruction fidelity) से समझौता किए बिना व्याख्यात्मकता (interpretability) में सुधार होता है।
इस प्रचलित अंतर्ज्ञान के विपरीत कि रूढ़िवादी ऑफलाइन प्रशिक्षण रिवॉर्ड हैकिंग से सुरक्षा प्रदान करता है, यह शोध पत्र प्रदर्शित करता है कि डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन में उच्च रूढ़िवादिता विरोधाभासी रूप से ऑनलाइन अनुकूलन के दौरान रिवॉर्ड हैकिंग को बढ़ा देती है क्योंकि यह पॉलिसी एंट्रॉपी को संकुचित करती है, जिससे रिवॉर्ड एनसेम्बल में एपिस्टेमिक अनिश्चितता बढ़ जाती है और शोषण (एक्सप्लोइटेशन) त्वरित हो जाता है।
यह शोध पत्र इस धारणा को चुनौती देता है कि एक-चरण ग्रेडिएंट विलंब (one-step gradient delay) स्वाभाविक रूप से एसिंक्रोनस पाइपलाइन पैरेललिज्म को अस्थिर करता है, और यह प्रदर्शित करता है कि Muon जैसे सुदृढ़ ऑप्टिमाइज़र को एरर फीडबैक-प्रेरित सुधार के साथ संयोजित करने से बड़े पैमाने पर LLM प्रीट्रेनिंग को सिंक्रोनस विधियों के तुलनीय प्रदर्शन प्राप्त करने में सक्षम बनाया जा सकता है, जबकि पाइपलाइन बबल्स को भी समाप्त किया जा सकता है।
यह शोध पत्र तर्क देता है कि अनुभवजन्य क्लासिफायर प्रदर्शन मेट्रिक्स में निहित पर्याप्त अनिश्चितता अक्सर मॉडल सटीकता में देखे गए अंतरों पर हावी हो जाती है, जो भ्रम मैट्रिक्स (confusion matrix) वितरणों और ROC स्पेस में पोस्टीरियर प्रेडिक्टिव प्रोबेबिलिटीज के नवीन विज़ुअलाइज़ेशन के माध्यम से एक संतुलित दृष्टिकोण की वकालत करता है।
यह शोध पत्र सुपरवाइज्ड क्वाड्रेटिक फीचर एनालिसिस (SQFA) प्रस्तुत करता है, जो एक आयामी कमी (dimensionality reduction) विधि है जो क्लास-कंडीशनल वितरणों के बीच फिशर-राओ दूरियों को अधिकतम करने वाले रैखिक फीचर्स सीखने के लिए सूचना ज्यामिति (information geometry) का लाभ उठाती है, और अत्याधुनिक विधियों की तुलना में प्रतिस्पर्धी या बेहतर वर्गीकरण प्रदर्शन प्रदर्शित करती है।
यह शोध पत्र ऑर्थोगोनल डोमिनेटिंग रेक्टेंगुलर रेंज पर आधारित एक नया बहु-आयामी कोलमोगोरोव-स्मिरनोव दूरी (Kolmogorov-Smirnov distance) प्रस्तावित करता है जो एक सिद्ध अभिसरण दर (convergence rate) वाले इंटीग्रल प्रोबेबिलिटी मेट्रिक के रूप में कार्य करता है, जिससे डेल्टा-परिशुद्धता (delta-precision) दो-नमूना परिकल्पना परीक्षण के लिए चार आयामों तक कुशल नियर-लीनियर समय गणना सक्षम होती है।
यह शोध पत्र कई मॉडलों और डेटासेटों में ट्यून्ड लेंस (Tuned Lens) विश्लेषण का उपयोग करके यह प्रदर्शित करता है कि निश्चित और अनिश्चित भविष्यवाणियों की परत-वार अनुमान संबंधी गतिशीलता (layer-wise inference dynamics) काफी हद तक संरेखित है, जो सरल अनिश्चितता पहचान विधियों की व्यवहार्यता को चुनौती देता है और यह सुझाव देता है कि अधिक सक्षम मॉडल अनिश्चितता को अलग तरह से संसाधित कर सकते हैं।
SIDA एक नवीन, कुशल ज़ीरो-शॉट डोमेन अडैप्टेशन विधि है जो टेक्स्ट-ड्रिवन दृष्टिकोणों को सिंथेटिक इमेज जनरेशन और विशिष्ट मॉड्यूल्स (डोमेन मिक्स और पैच स्टाइल ट्रांसफर) से बदल देती है ताकि जटिल वास्तविक दुनिया के स्टाइल वेरिएशन्स को बेहतर ढंग से कैप्चर किया जा सके और अनुकूलन समय को काफी कम करते हुए स्टेट-ऑफ-द-आर्ट प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र एक हाइब्रिड मॉडलिंग दृष्टिकोण प्रस्तावित करता है जो डिफरेंशिएबल बायोफिजिकल मॉडल्स को पैरामीटराइज़ करने के लिए रिकरेंट न्यूरल नेटवर्क के साथ मल्टी-टास्क लर्निंग को एकीकृत करता है, जो पारंपरिक विधियों की तुलना में अंगूर की फेनोलॉजी भविष्यवाणियों की सटीकता और मजबूती में महत्वपूर्ण सुधार करता है।