22037 पेपर
यह शोध पत्र हाइपरएललिप्सॉइड डेंसिटी सैंपलिंग (HDS) को प्रस्तुत करता है, जो एक गैर-समान नमूनाकरण रणनीति है जो उच्च-आयामी खोज स्थानों के आशाजनक क्षेत्रों पर ध्यान केंद्रित करने के लिए अनसुपरवाइज्ड लर्निंग का लाभ उठाती है, और वैश्विक अनुकूलन कार्यों में पारंपरिक यूनिफॉर्म क्वासी-मोंटे कार्लो विधियों की तुलना में सांख्यिकीय रूप से महत्वपूर्ण प्रदर्शन सुधार प्रदर्शित करती है।
यह शोध पत्र कंप्यूटर-जनित होलोग्राफी के लिए जटिल-मान वाले (complex-valued) 2D गॉसियन प्रिमिटिव्स का उपयोग करते हुए एक संरचित प्रतिनिधित्व प्रस्तावित करता है, जो स्पेस-फ्रीक्वेंसी अनिश्चितता को न्यूनतम करने के लिए गेबर के सिद्धांत का लाभ उठाता है और पैरामीटर खोज स्थान को महत्वपूर्ण रूप से कम करता है, जिसके परिणामस्वरूप एक डिफरेंशिएबल, GPU-अनुकूलित ढांचा प्राप्त होता है जो मौजूदा विधियों की तुलना में तेज़ अनुकूलन, कम मेमोरी उपयोग और बेहतर छवि गुणवत्ता प्राप्त करता है।
यह शोध पत्र एक स्वयंसिद्ध ढांचे (axiomatic framework) को प्रस्तुत करता जिसमें एलएलएम (LLM) में लेटेंट थॉट रिप्रेजेंटेशन (latent thought representations) का डाउनस्ट्रीम सटीकता से स्वतंत्र रूप से मूल्यांकन करने के लिए चार कार्यात्मक मेट्रिक्स शामिल हैं, जो यह प्रकट करता है कि वर्तमान मॉडल इन स्वयंसिद्धों को संतुष्ट करने में संरचनात्मक रूप से विफल रहते हैं क्योंकि वे इनपुट एम्बेडिंग्स के परे न्यूनतम जानकारी को एनकोड करते हैं और एक ही कार्य के भीतर विशिष्ट प्रश्नों के बीच अंतर करने की क्षमता का अभाव रखते हैं।
यह स्थिति पत्र तर्क देता है कि "मशीन अनलर्निंग" (machine unlearning) शब्द का वर्तमान में LLM अनुसंधान में रिफ्यूज़ल (refusal) या सप्रेशन (suppression) जैसे विविध कार्यों का वर्णन करने के लिए अत्यधिक उपयोग किया जा रहा है, और भ्रामक मूल्यांकन को रोकने तथा विभिन्न उद्देश्यों के लिए उपयुक्त शब्दावली सुनिश्चित करने हेतु इस शब्द को विशेष रूप से डेटासेट-परिभाषित विलोपन (dataset-defined deletion) और रिट्रेनिंग-तुल्यता गारंटी (retraining-equivalence guarantees) के लिए आरक्षित करने का आह्वान करता है।
यह शोध पत्र एक नवीन RANSAC स्कोरिंग पद्धति प्रस्तुत करता है जो उपयोगकर्ता द्वारा दिए गए थ्रेशोल्ड मापदंडों की आवश्यकता को समाप्त करने के लिए एक संयुग्मी पूर्ववृत्त (conjugate prior) के तहत इनलायर स्केल को विश्लेषणात्मक रूप से मार्जिनलाइज़ करता है, जिसके परिणामस्वरूप एक क्लोज्ड-फॉर्म, O(N log N) स्कोर प्राप्त होता है जो बिना किसी मैनुअल कैलिब्रेशन के विभिन्न डेटा व्यवस्थाओं में अत्याधुनिक सटीकता और सुदृढ़ता बनाए रखता है।
यह शोध पत्र एक स्वचालित पाइपलाइन प्रस्तुत करता है जो वायरलेस नेटवर्क और मोबाइल कंप्यूटिंग में उभरते अनुसंधान रुझानों की भविष्यवाणी करने के लिए मेटा-लर्निंग-आधारित क्लस्टरिंग, अनुकूली विषय मॉडलिंग (एडेप्टिव टॉपिक मॉडलिंग) और टाइम सीरीज़ फोरकास्टिंग को एकीकृत करता है, जो 36.76 के RMSE के साथ उच्च भविष्य कहनेवाला सटीकता प्राप्त करता है।
यह शोध पत्र रिमोट सेंसिंग इमेज कैप्शनिंग के लिए डिफरेंस फीचर मॉडलिंग (DFM) फ्रेमवर्क का प्रस्ताव करता है, जो विभेदक विशेषताओं को निकालने के लिए एक टेक्स्ट-गाइडेड गेटेड कॉन्ट्रास्टिव लॉस और मल्टी-स्केल स्पैटियोटेम्पोरल विविधताओं को फ्यूज करने के लिए एक जॉइंट फीचर मॉडलिंग मॉड्यूल को पेश करके परिवर्तन विवरण निर्माण को बढ़ाता है, जिससे मौजूदा सिंगल ऑटोरेग्रेसिव प्रतिमानों की सीमाओं को दूर किया जा सके।
यह शोध पत्र Darts पायथन लाइब्रेरी के भीतर एक एकीकृत `FoundationModel` क्लास संग्रह प्रस्तुत करता है जो विभिन्न पूर्व-प्रशिक्षित फाउंडेशन मॉडल्स (जैसे कि Chronos-2 और TimesFM 2.5) के एकीकरण को मानकीकृत करता है, जिससे एक ही, इंटरऑपरेबल फ्रेमवर्क के भीतर निर्बाध ज़ीरो-शॉट और फाइन-ट्यून्ड टाइम सीरीज़ फोरकास्टिंग, अनिश्चितता अनुमान और बैकटेस्टिंग सक्षम होती है।
यह शोध पत्र PairSAE को प्रस्तुत करता है, जो एक नवीन स्पार्स ऑटोएनकोडर फ्रेमवर्क है जो N-mode SVD के माध्यम से पेयरवाइज टेंसरों को सारांशित करके व्याख्या योग्य, साझा टोकन-स्तरीय विशेषताओं को निकालने के लिए Pairformer आर्किटेक्चर पर मानक SAEs को लागू करने की सीमाओं को दूर करता है, जो जैविक एनोटेशन के साथ संरेखित होते हैं और मॉडल एफिनिटी मानों की भविष्यवाणी करते हैं।
यह शोधपत्र गैर-अवलोकन योग्य अवस्थाओं और सीमित निर्णय युगों वाले स्व-अपघटनीय मार्कोवियन बैंडिट्स (self-degrading Markovian bandits) को प्रस्तुत करता है, जो यह प्रदर्शित करता है कि जबकि शुद्ध नीतियां (pure policies) स्पर्शोन्मुख रूप से इष्टतम हैं और पूर्व ज्ञान के बिना लघुगणकीय रिग्रेट (logarithmic regret) सामान्यतः अप्राप्य है, प्रस्तावित UCB-NOM एल्गोरिदम पूर्व ज्ञान के बिना भी लगभग लघुगणकीय रिग्रेट और बायस बाउंड्स के साथ रिग्रेट प्राप्त करता है, जो सभी अंतर्निहित अवस्थाओं की संख्या से स्वतंत्र है।