cs.LG

Universal priors: solving empirical Bayes via Bayesian inference and pretraining

यह शोध पत्र सैद्धांतिक रूप से प्रदर्शित करता है कि सिंथेटिक डेटा पर प्री-ट्रेन किए गए ट्रांसफॉर्मर्स यूनिवर्सल प्रायर्स (universal priors) और पोस्टीरियर कॉन्ट्रैक्शन (posterior contraction) का लाभ उठाकर एम्पेरिकल बेयस (empirical Bayes) समस्याओं को हल करते हैं, जिससे वे किसी भी मनमाने टेस्ट डिस्ट्रीब्यूशन में निकट-इष्टतम प्रदर्शन प्राप्त करने में सक्षम होते हैं, और इस प्रकार उनकी अनुकूलन क्षमता और लेंथ जनरलाइजेशन (length generalization) क्षमताओं दोनों की व्याख्या करते हैं।

DistributedEstimator: Distributed Training of Quantum Neural Networks via Circuit Cutting

यह शोध पत्र DistributedEstimator को प्रस्तुत करता है, जो क्वांटम न्यूरल नेटवर्क के लिए एक वितरित प्रशिक्षण पाइपलाइन है जो छोटे उपकरणों पर निष्पादन को सक्षम करने के लिए सर्किट कटिंग का लाभ उठाता है, यह प्रदर्शित करते हुए कि जबकि शास्त्रीय पुनर्निर्माण ओवरहेड और घातांकीय उप-प्रयोग वृद्धि स्केलेबिलिटी को सीमित करती है, यह दृष्टिकोण विभिन्न वर्गीकरण कार्यों में मॉडल की सटीकता और मजबूती को बनाए रखता है।

Conditional neural control variates for variance reduction in Bayesian inverse problems

Compress the Easy, Explore the Hard: Difficulty-Aware Entropy Regularization for Efficient LLM Reasoning

यह शोध पत्र CEEH का प्रस्ताव करता है, जो एक कठिनाई-जागरूक सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो आसान प्रश्नों के लिए तर्क को संकुचित करने और कठिन प्रश्नों के लिए अन्वेषण (exploration) को बनाए रखने के लिए चयनात्मक एंट्रॉपी नियमितीकरण (selective entropy regularization) को गतिशील रूप से लागू करता है, जिससे सटीकता या मजबूती से समझौता किए बिना अनुमान विलंबता (inference latency) को प्रभावी रूप से कम किया जाता है।

Probabilistic Retrofitting of Learned Simulators

यह शोध पत्र निरंतर रैंक प्रायिकता स्कोर (CRPS) का उपयोग करके पूर्व-प्रशिक्षित नियतात्मक (deterministic) PDE सिम्युलेटर्स को संभाव्य मॉडलों में रेट्रोफिट करने के लिए एक गणनात्मक रूप से कुशल, आर्किटेक्चर-अज्ञेय (architecture-agnostic) विधि प्रस्तुत करता है, जो शून्य से पुनप्रशिक्षण की आवश्यकता के बिना अनिश्चितता परिमाणीकरण (uncertainty quantification) में महत्वपूर्ण प्रदर्शन सुधार प्राप्त करता है।

AI Agents Can Already Autonomously Perform Experimental High Energy Physics

यह शोध पत्र प्रदर्शित करता है कि एआई एजेंट, विशेष रूप से "जस्ट फर्निश कॉन्टेक्स्ट" फ्रेमवर्क के भीतर क्लॉड कोड (Claude Code), डेटा प्रोसेसिंग और सांख्यिकीय अनुमान से लेकर पेपर ड्राफ्टिंग तक, संपूर्ण उच्च ऊर्जा भौतिकी विश्लेषण पाइपलाइन को स्वायत्त रूप से निष्पादित कर सकते हैं—स्थापित और नवीन दोनों परिणाम उत्पन्न करने के लिए—जो यह सुझाव देता है कि समुदाय को उन्नत वैज्ञानिक खोज के लिए इन क्षमताओं का लाभ उठाने हेतु अपने प्रशिक्षण और वर्कफ़्लो को अनुकूलित करना चाहिए।

Protocol-Aware Tokenization and Architecture Co-Design for Wireless Packet Foundation Models

यह शोध पत्र प्रदर्शित करता है कि वायरलेस पैकेट फाउंडेशन मॉडल्स के लिए, प्रोटोकॉल-अवेयर टोकनाइजेशन प्रदर्शन का प्राथमिक चालक है, जो केवल आर्किटेक्चरल परिवर्तनों से होने वाले 2-पॉइंट सुधार की तुलना में 32-पॉइंट सटीकता लाभ प्रदान करता है, जिससे टोकनाइजेशन को एक महत्वपूर्ण डिज़ाइन कारक के रूप में स्थापित किया जा सके जबकि बैकबोन को सटीकता और गति के बीच एक तैनात करने योग्य समझौते (ट्रेड-ऑफ) के रूप में माना जाता है।

Beyond Fixed Budgets: Characterizing the Inelasticity and Limitations of Tree-of-Thought Reasoning Strategies

यह शोध पत्र विभिन्न कंप्यूट बजट और मॉडल स्केल्स के माध्यम से ट्री-ऑफ-थॉट (Tree-of-Thought) खोज रणनीतियों DPTS और SSDP का मूल्यांकन करता है, जो यह प्रकट करता है कि DPTS कम-बजट वाले कोल्ड-स्टार्ट्स (cold-starts) के साथ संघर्ष करता है जबकि SSDP अपरिवर्तनीय फ्रंटियर डिप्लीशन (irreversible frontier depletion) से ग्रस्त होता है, जिससे यह सिद्ध होता है कि प्रभावी वैज्ञानिक तर्क के लिए निश्चित अन्वेषण या छंटनी दृष्टिकोणों के बजाय अनुकूलन योग्य रणनीतियों की आवश्यकता होती है।

The New Associationism: Lessons from Deep Learning

यह शोध पत्र यह तर्क देता है कि आधुनिक एआई की सफलता, विशेष रूप से विविध प्रणालियों में इसके सुपरवाइज्ड लर्निंग (supervised learning) पर निर्भरता, साहचर्यवाद (associationism) के एक मध्यम रूप का समर्थन करती है, यह प्रदर्शित करते हुए कि त्रुटि-संचालित तंत्र व्यापक संज्ञानात्मक क्षमताओं की व्याख्या कर सकते हैं, जबकि यह भी स्वीकार करती है कि ये तंत्र जटिल कम्प्यूटेशनल आर्किटेक्चर के भीतर कार्य करते हैं जो शास्त्रीय साहचर्यवादी सिद्धांतों से परे विस्तृत हैं।

Analysis and Prediction of At-Risk Students Using Machine Learning Algorithms

यह शोध पत्र रणनीतिक संस्थागत निर्णय लेने में सहायता के लिए शैक्षणिक, जनसांख्यिकीय और नामांकन डेटा का उपयोग करके छात्र क्षय (एट्रिशन) की भविष्यवाणी करने हेतु मशीन लर्निंग एल्गोरिदम के अनुप्रयोग की जांच करता है, जिसमें विशेष रूप से लॉजिस्टिक रिग्रेशन और लीनियर एसवीएम (SVM) मॉडल की बेहतर सटीकता पर प्रकाश डाला गया है।