22037 पेपर
यह शोध पत्र असाइनमेंट-आधारित एंटीक्लस्टरिंग (ABA) एल्गोरिदम को प्रस्तुत करता है, जो बड़े पैमाने के यूक्लिडियन डेटासेट को असतत समूहों में विभाजित करने की एक स्केलेबल और कुशल विधि है, जो समाधान की गुणवत्ता और गणना की गति दोनों में मौजूदा तकनीकों से काफी बेहतर प्रदर्शन करती है।
यह शोध पत्र इस धारणा को चुनौती देता है कि लार्ज लैंग्वेज मॉडल इवैल्यूएटर्स (evaluators) स्वाभाविक रूप से आत्ममोह (narcissism) प्रदर्शित करते हैं, यह प्रदर्शित करते हुए कि देखा गया अधिकांश स्व-वरीयता (self-preference) वास्तव में इवैल्यूएटर की गुणवत्ता का एक सांख्यिकीय आर्टिफैक्ट (statistical artifact) है, जिसमें इस कन्फाउंड (confound) को नियंत्रित करने के बाद पिछले निष्कर्षों का केवल 51% ही महत्वपूर्ण रह जाता है।
यह शोध पत्र डिसेंट्रलाइज्ड एसजीडी विद एडेप्टिव कंसेंसस (DSGD-AC) को प्रस्तुत करता है, जो एक ऐसी विधि है जो रणनीतिक रूप से कंसेंसस एरर्स को बनाए रखती है ताकि वे एक निहित रेगुलराइज़र के रूप में कार्य कर सकें, जिससे मॉडल को फ्लैटर मिनिमा की ओर निर्देशित किया जा सके और मानक डिसेंट्रलाइज्ड और सेंट्रलाइज्ड ट्रेनिंग दोनों की तुलना में बेहतर टेस्ट एक्यूरेसी प्राप्त की जा सके।
यह शोध पत्र एक स्थिर भौतिकी-सूचित निरंतरता मॉडलिंग ढांचे (physics-informed consistency modeling framework) का प्रस्ताव करता है जो आंशिक अंतर समीकरणों (partial differential equations) को उच्च सटीकता के साथ और डिफ्यूजन बेसलाइनों की तुलना में काफी कम कम्प्यूटेशनल लागत के साथ हल करने के लिए एक संरचना-संरक्षण दो-चरणीय प्रशिक्षण रणनीति और एक दो-चरणीय अवशेष उद्देश्य (two-step residual objective) का उपयोग करता है।
यह शोध पत्र त्रुटि गारंटी के साथ स्पार्स रिकवरी (sparse recovery) के ओब्लिवियस (oblivious) और एडेप्टिव (adaptive) मॉडल्स के बीच एक प्रमाणित पृथक्करण स्थापित करता है, जो यह प्रदर्शित करता है कि जहाँ ओब्लिवियस सेटिंग में नियर-लीनियर समय वाले एल्गोरिदम नमूनों के साथ इष्टतम बाउंड्स प्राप्त कर सकते हैं, वहीं एडेप्टिव मॉडल्स को नमूनों की आवश्यकता होती है, जो मानक सेटिंग के बिल्कुल विपरीत है।
यह शोध पत्र प्रदर्शित करता है कि AC पावर फ्लो के लिए ग्राफ न्यूरल नेटवर्क मॉडल प्रतिकूल हमलों (adversarial attacks) के प्रति संवेदनशील हैं, जो यह दर्शाता है कि न्यूनतम इनपुट गड़बड़ी महत्वपूर्ण भविष्यवाणी त्रुटियों को प्रेरित कर सकती है और मजबूत सत्यापन एवं प्रशिक्षण विधियों की तत्काल आवश्यकता पर प्रकाश डालती है।
यह शोध पत्र एक पोस्ट-हॉक, मॉडल-अज्ञेय (मॉडल-एग्नोस्टिक) ढांचे को प्रस्तुत करता है जो सख्त संसाधन बाधाओं के तहत सुरक्षा, दक्षता और समता को संतुलित करने के लिए एक एकल वैश्विक निर्णय सीमा (डिसीजन थ्रेशोल्ड) को अनुकूलित करता है, यह प्रदर्शित करते हुए कि परिचालन क्षमता की सीमाएं अक्सर नैतिक प्राथमिकताओं पर हावी होती हैं और वहां उपयोगिता बनाए रखने के लिए आवश्यक होती हैं जहाँ अनियंत्रित निष्पक्षता अनुमानी (फेयरनेस ह्यूरिस्टिक्स) विफल हो जाते हैं।
यह शोध पत्र पर-सैंपल क्लिप्ड एसजीडी (PS-Clip-SGD) का प्रस्ताव और विश्लेषण करता है, जो एक सुदृढ़ अनुकूलन विधि है जो हेवी-टेल्ड नॉइज़ (heavy-tailed noise) के तहत इष्टतम अभिसरण दर प्राप्त करती है और इमेज क्लासिफिकेशन कार्यों पर मानक बेसलाइन से अनुभवजन्य रूप से बेहतर प्रदर्शन करती है, साथ ही यह भी प्रकट करती है कि ग्रेडिएंट एक्यूमुलेशन के दौरान मिनी-बैच स्तर पर क्लिपिंग करने से नगण्य कम्प्यूटेशनल लागत के साथ प्रदर्शन को और बढ़ाया जा सकता है।
यह शोध पत्र प्रदर्शित करता है कि स्व-निर्मित पाठ पहचान (SGTR) फाइनट्यूनिंग मॉडल के संरेखित चरित्र को सुदृढ़ करके उभरते हुए मिसअलाइनमेंट (misalignment) को प्रभावी ढंग से रोकता है और उसे उलट देता है, जो यह सुझाव देता है कि ऐसा मिसअलाइनमेंट हानिकारक सामग्री की प्रत्यक्ष सीख के बजाय मॉडल की डिफ़ॉल्ट पहचान के अस्थिरीकरण से उत्पन्न होता है।
यह शोध पत्र एक ट्रांसफॉर्मर-आधारित फाउंडेशन मॉडल के साथ एक नवीन प्रोग्रेसिव अनफ्रीजिंग रणनीति का उपयोग करने वाले ज़ीरो-शॉट न्यूरल प्रायर फ्रेमवर्क को प्रस्तुत करता है ताकि बेहतर सामान्यीकरण योग्य क्रॉस-सब्जेक्ट और क्रॉस-टास्क ईईजी (EEG) डिकोडिंग प्राप्त की जा सके, जिससे कैलिब्रेशन-मुक्त ब्रेन-कंप्यूटर इंटरफेस और कम्प्यूटेशनल साइकियाट्री को आगे बढ़ाया जा सके।