19766 पेपर
यह शोध पत्र MLLM-DataEngine को प्रस्तुत करता है, जो एक नवीन क्लोज्ड-लूप सिस्टम है जो मानवीय हस्तक्षेप के बिना, मूल्यांकन की कमजोरियों का विश्लेषण करके लक्षित, उच्च-गुणवत्ता वाले वृद्धिशील प्रशिक्षण डेटासेट उत्पन्न करने के माध्यम से मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स को स्वचालित रूप से पुनरावृत्ति रूप से उन्नत करता है।
यह शोध पत्र तर्क देता है कि क्वांटम सर्किट संश्लेषण के लिए संभाव्य मॉडलों (probabilistic models) को स्केल करना मौलिक रूप से त्रुटिपूर्ण है क्योंकि वैध डिजाइनों में घातांकीय गिरावट (exponential decay) और सिंटैक्स-सिमेंटिक्स अंतराल होता है, और इसके बजाय सत्यापनकर्ता-केंद्रित एजेंटों (verifier-centric agents) की ओर एक प्रतिमान परिवर्तन का समर्थन करता है जो गणितीय बाधाओं और प्रतीकात्मक प्रॉक्सी (symbolic proxies) को सीधे पीढ़ी प्रक्रिया में एकीकृत करते हैं।
यह शोध पत्र यह प्रदर्शित करता है कि सिंगल-क्यूबिट मिक्स्ड-स्टेट बाइनरी क्लासिफिकेशन, एक हाइपरप्लेन के बजाय एक हाइपरहेलोइड (hyperellipsoid) को सीखने के ज्यामितीय रूप से समतुल्य है, जो उन छात्रों को क्वांटम मशीन लर्निंग की अवधारणाओं को परिचित कराने के लिए एक सुलभ ढांचा प्रदान करता है जो मानक रैखिक मॉडलों से परिचित हैं।
यह शोध पत्र LLM4EHR को प्रस्तुत करता है, जो एक क्लिनिकल फाउंडेशन मॉडल है जो एक डोमेन-अनुकूलित लार्ज लैंग्वेज मॉडल और एक रेगुलराइज्ड कॉन्ट्रास्टिव ऑब्जेक्टिव के माध्यम से इलेक्ट्रॉनिक हेल्थ रिकॉर्ड टाइम सीरीज़ को मेडिकल इवेंट सीक्वेंस के साथ संरेखित करके ICU सेटिंग्स में आउटकम प्रेडिक्शन को बेहतर बनाता है, जिससे डाउनस्ट्रीम कार्यों पर प्रदर्शन में सुधार होता है और नए पेशेंट कोहॉर्ट्स के लिए प्रभावी k-शॉट अडैप्टेशन सक्षम होता है।
यह शोध पत्र यह प्रदर्शित करता है कि उन स्थितियों में जहाँ केवल एक प्रशिक्षित शिक्षक मॉडल और नया अनलेबल डेटा उपलब्ध होता है, शिक्षक और छात्र भविष्यवाणियों के इष्टतम मिश्रित संयोजन का उपयोग करके केवल भविष्यवाणी-आधारित स्व-डिस्टिलेशन (self-distillation), लीनियर और लॉजिस्टिक रिग्रेशन दोनों में अकेले शिक्षक की तुलना में जोखिम को सख्ती से कम कर सकता है, जिसमें इष्टतम मिश्रण भार (mixing weight) को एक छोटे कैलिब्रेशन सेट के माध्यम से कुशलतापूर्वक अनुमानित किया जा सकता है।
यह शोध पत्र पार्शियली एडजुडिकेटेड डिज़ाइन-बेस्ड सुपरवाइज्ड लर्निंग (PA-DSL) का प्रस्ताव करता है, जो केवल एडजुडिकेटेड डेटा पर निर्भर रहने की तुलना में, शोर वाले मानव ऑडिट लेबल को सुधारने के लिए एडजुडिकेटेड मामलों का लाभ उठाता है, जिससे स्वचालित क्लासिफायर के अधिक सटीक और वैध डिबायस्ड सांख्यिकीय विश्लेषण सक्षम होते हैं।
यह शोध पत्र Looped Latent Attention (LLA) प्रस्तुत करता है, जो एक पोस्ट-ट्रेनिंग कोडेक है जो वेट-टाइड ट्रांसफॉर्मर्स में लूप-इंडेक्स्ड KV कैश की लो-रैंक संरचना का लाभ उठाकर SVD इनिशियलाइजेशन और डिस्टिलेशन के माध्यम से नियर-लॉसलेस प्रदर्शन बनाए रखते हुए अत्यधिक संपीड़न (32x तक) प्राप्त करता है और बैच क्षमता को महत्वपूर्ण रूप से बढ़ाता है।
यह शोध पत्र पीक-कॉस्ट (peak-cost) द्वारा सीमित मार्कोव निर्णय प्रक्रियाओं (Markov decision processes) के लिए एक सुदृढ़ सुदृढीकरण शिक्षण (reinforcement learning) ढांचे को प्रस्तुत करता है जो इंटीग्रल प्रोबेबिलिटी मेट्रिक्स (integral probability metrics) के साथ एक सरोगेट अनुकूलन विधि विकसित करके शून्य द्वैत अंतराल (zero duality gap) की कमी और सिम्युलेटर-से-वास्तविक-दुनिया के बेमेल (simulator-to-real-world mismatches) को संबोधित करता है, जिससे डायनेमिक्स व्यवधानों के तहत सुरक्षा सुनिश्चित करते हुए मजबूत रिवॉर्ड प्रदर्शन बनाए रखा जाता है।
यह शोध पत्र एक मशीन लर्निंग फ्रेमवर्क प्रस्तुत करता है जो टॉलेमी-प्रेरित इक्वेंट (equant) के माध्यम से किसी भी दोलनशील प्रणाली को समान घूर्णन में मैप करके एक "सार्वभौमिक गतिशील घड़ी" स्थापित करता है, जिससे नए भौतिक नियमों की खोज, लंबे समय से चले आ रहे जैविक स्केलिंग समस्याओं का समाधान और जटिल नेटवर्क में महत्वपूर्ण संक्रमणों की भविष्यवाणी सक्षम होती है।
यह अध्ययन मल्टीचैनल ईईजी (EEG) का उपयोग करके बाल चिकित्सा स्लीप एपनिया के स्वचालित पता लगाने के लिए डीप लर्निंग आर्किटेक्चर और विविध फीचर रिप्रेजेंटेशन का एक व्यापक तुलनात्मक विवरण प्रस्तुत करता है, जिसमें टोपोलॉजिकल डेटा एनालिसिस फीचर्स पर प्रशिक्षित एक विजन ट्रांसफार्मर को सबसे प्रभावी दृष्टिकोण के रूप में पहचाना गया है और साथ ही जनसांख्यिकी एवं नींद के चरणों के बीच प्रदर्शन में महत्वपूर्ण विविधताओं को भी रेखांकित किया गया है।