22037 पेपर
यह शोधपत्र SurfBind प्रस्तुत करता है, जो एक अत्याधुनिक सतह-केंद्रित (surface-centric) लर्निंग फ्रेमवर्क है जो सटीक और सामान्यीकरण योग्य एपिटोप भविष्यवाणी के लिए आणविक सतहों को सीधे मॉडल करने हेतु ट्रांसफॉर्मर-आधारित आर्किटेक्चर का उपयोग करता है, जो मौजूदा अनुक्रम (sequence) और बैकबोन-आधारित विधियों की सीमाओं को दूर करता है।
यह शोध पत्र एक मल्टी-वेरिएट टाइम सीरीज़ ग्राफ न्यूरल नेटवर्क (MTGNN) का उपयोग करने वाले एक नवीन डीप लर्निंग फ्रेमवर्क को प्रस्तुत करता है, जो दक्षिण अमेरिका के लिए 1940 तक के मासिक GRACE-समान स्थलीय जल भंडारण विसंगतियों (terrestrial water storage anomalies) को पुनर्गठित करने के लिए, स्थानीय हाइड्रोलॉजिकल कपलिंग और बड़े पैमाने के टेलीकनेक्शन दोनों को प्रभावी ढंग से मॉडल करते हुए, काफी कम भविष्यवक्ताओं (predictors) की आवश्यकता के साथ अत्याधुनिक विधियों के तुलनीय उच्च सटीकता और बेसिन-स्तर का प्रदर्शन प्राप्त करता है।
यह शोध पत्र "डिजेनेरेसी डिस्टिलरी" (degeneracy distillery) को प्रस्तुत करता है, जो एक स्वचालित और प्रतीकात्मक विधि है जो फिशर सूचना मैट्रिक्स (Fisher information matrix) को सपाट करके भौतिक मॉडलों में पैरामीटर डिजेनेरेसी (parameter degeneracies) की पहचान करती है और उन्हें हल करती है, जिससे डाउनस्ट्रीम न्यूरल पोस्टीरियर एस्टीमेशन (neural posterior estimation) के लिए आवश्यक सिमुलेशन बजट कम हो जाता है और साथ ही सिस्टम में भौतिक अंतर्दृष्टि भी प्राप्त होती है।
यह शोध पत्र विषम स्तन कैंसर डेटा पर फेडरेटेड सर्वाइवल एनालिसिस का एक व्यवस्थित मूल्यांकन प्रस्तुत करता है, जो यह प्रदर्शित करता है कि फेडरेटेड लर्निंग लगातार स्थानीय प्रशिक्षण से बेहतर प्रदर्शन करती है, रैंडम सर्वाइवल फॉरेस्ट को विविध क्लाइंट्स के बीच सबसे सुदृढ़ मॉडल के रूप में पहचानती है, और गोपनीयता-बाधित स्वास्थ्य सेवा परिवेशों में मॉडलों और अनुकूलन रणनीतियों के चयन के लिए व्यावहारिक दिशा-निर्देश प्रदान करती है।
यह शोध पत्र मेंबर वर्स जेनरेटेड इन्फरेंस (MGI) चुनौती का परिचय देता है, जो समान लाइकलीहुड सिग्नल्स के कारण मौजूदा विधियों की प्रशिक्षण डेटा और मॉडल-जनरेटेड आउटपुट के बीच अंतर करने में विफलता को उजागर करता है, और एक नवीन तीन-चरणीय "डेटा सर्किट ब्रेकर" (DCB) विधि प्रस्तावित करता है जो ऑटोएनकोडर्स और लेटेंट जनरेटर्स से प्राप्त पूरक सिग्नल्स का लाभ उठाकर इस समस्या को प्रभावी ढंग से हल करती है।
GRACE उच्च-आयामी समय श्रृंखला (high-dimensional time series) के लिए एक नवीन कारण खोज (causal discovery) ढांचा है जो एक तेज़ रैखिक बाधा-आधारित कंकाल (linear constraint-based skeleton) को हार्ड कंक्रीट गेट्स (Hard Concrete gates) और नियमितीकरण (regularization) का उपयोग करने वाले एक गेटेड रिफाइनमेंट तंत्र के साथ जोड़ता है ताकि गलत सकारात्मक परिणामों (false positives) को मजबूती से छाँटा जा सके, जिससे मौजूदा स्कोर-आधारित और गैर-रैखिक बाधा-आधारित विधियों की तुलना में बेहतर सटीकता और दक्षता प्राप्त होती है।
यह शोध पत्र तर्क देता है कि वैनिला कंडीशनल डिफ्यूजन मॉडल आउट-ऑफ-डिस्ट्रीब्यूशन वितरणों को लक्षित करते समय मौलिक रूप से कंपोजिशनल जनरेशन में विफल रहते हैं, क्योंकि स्कोर एस्टीमेशन त्रुटियाँ अनुमान-समय (इन्फरेंस-टाइम) सन्निकटन त्रुटियों की तुलना में अधिक विनाशकारी सिद्ध होती हैं, जिससे मानक सुधार तकनीकें अपर्याप्त हो जाती हैं।
यह शोध पत्र प्रदर्शित करता है कि PPO-Clip के क्लिप्ड सरोगेट ऑब्जेक्टिव (clipped surrogate objective) का ग्रेडिएंट, महत्व अनुपात (importance ratio) और एडवांटेज (advantage) से व्युत्पन्न एक प्रति-नमूना गुणांक (per-sample coefficient) वाले कुलबैक-लीब्लर (Kullback-Leibler) दंड के गणितीय रूप से समान है, जिससे दो पारंपरिक रूप से अलग PPO सूत्रीकरणों का एकीकरण होता है और एक स्टेप-फंक्शन दंड संरचना का अनावरण होता है जो एल्गोरिदम सामान्यीकरण के लिए एक नया अक्ष प्रदान करता है।
यह शोध पत्र फ्लो-करेक्टेड थॉमसन सैंपलिंग (fcTS) प्रस्तुत करता है, जो नॉन-स्टेशनरी लीनियर कॉन्टेक्स्टुअल बैंडिट्स के लिए एक बेयसियन एल्गोरिदम है, जो पिछले रिवॉर्ड्स को कॉन्फिडेंस-वेटेड करेक्शन्स के साथ स्पष्ट रूप से मॉडल और ट्रांसपोर्ट करके सैंपल एफिशिएंसी में सुधार करता है, जिससे यह स्ट्रक्चर्ड टेम्पोरल ड्रिफ्ट वाले वातावरण में पारंपरिक फॉरगेटिंग-आधारित विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक बाधित चर प्रक्षेपण (constrained variable projection) ढांचे को प्रस्तुत करता है जो सटीक रिड्यूस्ड-ग्रेडिएंट सूत्रों और एक कंडीशनल-ग्रेडिएंट एल्गोरिदम को व्युत्पन्न करने के लिए वेरिएबल एलिमिनेशन को एक बाइलेवल ऑप्टिमाइज़ेशन समस्या के रूप में व्याख्यायित करता है, जो डिक्शनरी लर्निंग और ब्लाइंड डीकनवोल्यूशन जैसे संरचित डेटा-साइंस कार्यों में जॉइंट-ऑप्टिमाइज़ेशन बेसलाइनों की तुलना में बेहतर दक्षता और डेटा प्रदर्शन प्रदर्शित करता है।