22037 पेपर
यह अध्ययन एक हाइब्रिड CNN-RNN मॉडल प्रस्तावित करता है जो इमर्सिव, कम दृश्यता वाले ड्राइविंग परिदृश्यों में संज्ञानात्मक भार (कॉग्निटिव लोड) के तीन स्तरों की सटीक भविष्यवाणी करने के लिए fNIRS, आई-ट्रैकिंग और ड्राइविंग व्यवहार डेटा का लाभ उठाता है, जो मौजूदा बाइनरी क्लासिफिकेशन विधियों की तुलना में बेहतर सटीकता प्राप्त करता है।
यह शोध पत्र वर्तमान हेटरोफिलिक ग्राफ लर्निंग मूल्यांकनों में महत्वपूर्ण कमियों की पहचान करता है, कठिनाई के आधार पर डेटासेट का एक नया वर्गीकरण प्रस्तावित करता है, और सिंथेटिक ग्राफ्स पर व्यापक फाइन-ट्यूनिंग और मात्रात्मक विश्लेषण के माध्यम से अत्याधुनिक मॉडलों और होमोफिली मेट्रिक्स का एक कठोर पुनर्मूल्यांकन प्रदान करता है।
यह शोध पत्र एआई-जनित अवस्था चरों (state variables) को आसूत (distill) करने के लिए एक नए सामान्य सिद्धांत का प्रस्ताव करता है जो पूर्व ज्ञान पर निर्भर हुए बिना मानवीय अंतर्ज्ञान और भौतिक महत्व के साथ संरेखित होते हैं, जिससे गतिशील प्रणालियों के मॉडलिंग में मानव-एआई सहयोग को बढ़ाया जा सके।
यह शोध पत्र पॉलीक-रुपर्ट एवरेजिंग (Polyak-Ruppert averaging) के साथ टेम्पोरल डिफरेंस लर्निंग (Temporal Difference learning) के सांख्यिकीय अनुमान को परिष्कृत उच्च-आयामी अभिसरण सीमाएं (high-dimensional convergence bounds) स्थापित करके, एक कुशल ऑनलाइन कोवेरिएंस एस्टिमेटर प्रस्तावित करके, और मान फलन मापदंडों (value function parameters) के लिए गारंटीकृत परिमित-नमूना कवरेज के साथ विश्वास क्षेत्र (confidence regions) के निर्माण को सक्षम करने के लिए अधिक सटीक गारंटी व्युत्पन्न करके उन्नत करता है।
यह शोध पत्र एक ऐसे ढांचे का प्रस्ताव करता है जो सीमित या शोर वाले डेटा से गवर्निंग समीकरणों (governing equations) की खोज करने के लिए कम्प्यूटेशनल लागत को कम करने, ओवरफिटिंग को न्यूनतम करने और सटीकता को महत्वपूर्ण रूप से सुधारने हेतु आयामी विश्लेषण (विशेष रूप से बकमिंग प्रमेय और इप्सन की विधि) को सिम्बोलिक रिग्रेशन और यूनिवर्सल फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क के साथ एकीकृत करता है।
यह शोध पत्र 'लर्नेबल एक्टिवेशन फंक्शन्स के साथ रैंडम फीचर मॉडल' (RFLAF) को प्रस्तुत करता है, जो एक्टिवेशन फंक्शन्स को बेसिस फंक्शन्स के वेटेड सम्स (weighted sums) का उपयोग करके पैरामीटराइज करता है ताकि मॉडल की एक्सप्रेसिविटी को महत्वपूर्ण रूप से बढ़ाया जा सके और पारंपरिक फिक्स्ड-एक्टिवेशन रैंडम फीचर मॉडल्स की तुलना में बेहतर प्रदर्शन और दक्षता प्राप्त की जा सके।
यह शोध पत्र इस लंबे समय से चली आ रही धारणा को चुनौती देता है कि ओरैकल प्रूनिंग (oracle pruning) प्रभावी रूप से महत्वहीन भारों की पहचान करती है, और व्यापक प्रयोगों के माध्यम से यह प्रदर्शित करता है कि प्री-रिट्रेनिंग प्रदर्शन का पोस्ट-रिट्रेनिंग परिणामों के साथ नगण्य सहसंबंध है, जिससे यह सुझाव मिलता है कि कई मौजूदा प्रूनिंग विधियों का मौलिक आधार संदिग्ध है और प्रूनिंग मानदंडों को रिट्रेनिंग चरण को ध्यान में रखना चाहिए।
यह शोध पत्र एक नवीन मिक्सचर-ऑफ-एक्सपर्ट्स ग्राफ ट्रांसफॉर्मर मॉडल प्रस्तावित करता है जो अटलास (ATLAS) टकराव डेटा में मानक मॉडल बैकग्राउंड से दुर्लभ सुपरसिमेट्रिक संकेतों को अलग करने में उच्च भविष्य कहनेवाला सटीकता प्राप्त करता है और अटेंशन मैप्स एवं विशेषज्ञ विशिष्टता के माध्यम से व्याख्यात्मकता को समाहित करता है ताकि एआई-संचालित निर्णयों को भौतिकी-आधारित विशेषताओं के साथ संरेखित किया जा सके।
यह शोध पत्र सरोगेट आउटकम मॉडल्स और प्रेडिक्शन-पावर्ड इन्फरेंस के बीच एक औपचारिक संबंध स्थापित करता है ताकि "रीकैलिब्रेटेड प्रेडिक्शन-पावर्ड इन्फरेंस" को पेश किया जा सके, जो एक उत्तल (convex) और सुदृढ़ विधि है जो लागत प्रभावी सरोगेट के रूप में एआई भविष्यवाणियों का लाभ उठाती है ताकि मौजूदा दृष्टिकोणों की तुलना में सांख्यिकीय रूप से बेहतर दक्षता और कम एसिम्प्टोटिक वेरिएंस प्राप्त किया जा सके, तब भी जब भविष्यवाणियां त्रुटिपूर्ण हों।
यह शोध पत्र प्रदर्शित करता है कि सिंगल-लेयर मंबा (Mamba) मॉडल इन-कॉन्टेक्स्ट (in-context) मार्कोव श्रृंखलाओं के लिए इष्टतम लाप्लासियन स्मूथिंग एस्टिमेटर (Laplacian smoothing estimator) को कुशलतापूर्वक सीख सकते हैं, जो सैद्धांतिक रूप से मंबा की कन्वोल्यूशन-आधारित वास्तुकला और बेयज़/मिनिमैक्स इष्टतम सांख्यिकीय अनुमान के बीच पहला औपचारिक संबंध स्थापित करता है।