22423 पेपर
यह शोध पत्र FLFL का प्रस्ताव करता है, जो एक गोपनीयता-संरक्षण वाला फेडरेटेड लेटेंट फैक्टर लर्निंग मॉडल है जो सेंसर-स्तरीय ग्रेडिएंट शेयरिंग और स्थानिक-कालिक सहसंबंधों का लाभ उठाकर वायरलेस सेंसर नेटवर्क में लुप्त स्थानिक-कालिक संकेतों को पुनर्प्राप्त करता है, जिससे कच्चे डेटा की गोपनीयता से समझौता किए बिना उत्कृष्ट रिकवरी सटीकता प्राप्त की जा सकती है।
यह शोध पत्र गोपनीयता संबंधी बाधाओं के तहत संवादात्मक सांख्यिकीय निर्णय लेने के लिए एक -स्पष्ट (explicit) मिनिमैक्स-क्वांटाइल सिद्धांत विकसित करता है, जो नए प्रतिवर्ती उपकरण (converse tools) प्रदान करता है और स्पष्ट निचली सीमाएँ (lower bounds) व्युत्पन्न करता है जो गॉसियन माध्य अनुमान (Gaussian mean estimation) और मल्टी-आर्म्ड बैंडिट्स (multi-armed bandits) जैसी समस्याओं के लिए दुर्लभ विफलताओं और गोपनीयता-प्रेरित प्रसरण मुद्रास्फीति (privacy-induced variance inflation) को समाहित करती हैं।
यह शोध पत्र SAFA का प्रस्ताव करता है, जो एक नवीन सोर्स-फ्री टाइम-सीरीज़ डोमेन अडैप्टेशन विधि है जो मल्टी-स्केल टेम्पोरल और स्पेक्ट्रल विशेषताओं को मॉडल करके और टारगेट सिग्नल्स को सोर्स डिस्ट्रीब्यूशन के साथ संरेखित करने के लिए एक ट्रेन करने योग्य फ्रीक्वेंसी अडैप्टेशन मॉड्यूल का उपयोग करके स्पेक्ट्रल शिफ्ट्स को संबोधित करता है।
यह शोध पत्र एक नवीन इम्पलिसिट न्यूरल रिप्रेजेंटेशन (Implicit Neural Representation) विधि प्रस्तावित करता है जो न्यूरॉन एक्टिवेशन्स को डैम्प्ड हार्मोनिक ऑसिलेटर्स के रूप में मॉडल करती है ताकि एडेप्टिव, करिकुलम-आधारित स्पेक्ट्रल गेटिंग को सक्षम किया जा सके, जिससे नेटवर्क बिना किसी स्पष्ट रेगुलराइजेशन या टास्क-विशिष्ट हाइपरपैरामीटर ट्यूनिंग की आवश्यकता के स्वाभाविक रूप से मोटे से सूक्ष्म विवरणों को सीख सके।
यह शोध पत्र एक पूर्णतः अवकलनीय (fully differentiable) न्यूरल नेटवर्क ढांचे को प्रस्तुत करता है जो व्यक्तिगत एजेंट डेटा की आवश्यकता के बिना, केवल प्रेक्षित जनसंख्या गतिकी (observed population dynamics) का उपयोग करके लचीले, समय- और अवस्था-निर्भर मापदंडों को सीखने के लिए 'इम्प्लिसिट डिफरेंशिएशन' (implicit differentiation) का उपयोग करके पैरामीट्रिक, परिमित-अवस्था मीन फील्ड गेम्स (finite-state mean field games) के व्युत्क्रम समस्या (inverse problem) को हल करता है।
यह स्थिति पत्र यह तर्क देता है कि एआई वैज्ञानिकों का मूल्यांकन केवल उनके अंतिम उत्तरों के आधार पर करना अपर्याप्त है क्योंकि वे अक्सर "सही उत्तर, गलत तंत्र" (CAWM) परिणाम उत्पन्न करते हैं जहाँ सटीक परिणाम त्रुटिपूर्ण तर्क से प्राप्त होते हैं जो नई स्थितियों में विफल हो जाते हैं, जिससे कार्य परिणामों, तंत्र की निष्ठा और ज्ञान संबंधी ईमानदारी के अलग-अलग सत्यापन की आवश्यकता होती है।
यह शोध पत्र यह स्थापित करता है कि हाल ही में प्रस्तुत EML (Exp-Minus-Log) फलन के ट्री-स्ट्रक्चर्ड कंपोजिशन, बहुपद निरूपणों (polynomial representations) की नकल करके के फलनों के लिए यूनिवर्सल एप्रोक्सिमेटर्स के रूप में कार्य करते हैं और व्यावहारिक अनुकूलन (practical optimization) के लिए एक संगत लर्निंग एल्गोरिदम की व्यवहार्यता को प्रदर्शित करता है।
यह शोध पत्र एक स्टेज-डिपेंडेंट फैक्टराइजेशन मशीन विद क्वाड्रेटिक-ऑप्टिमाइज़ेशन एनीलिंग (FMQA) फ्रेमवर्क प्रस्तावित करता है जो सरोगेट लर्निंग के लिए वन-हॉट एनकोडिंग और आइसिंग मशीन सर्च के लिए डोमेन-वॉल एनकोडिंग का उपयोग करता है, यह प्रदर्शित करते हुए कि जबकि लर्निंग स्टेज में वन-हॉट एनकोडिंग अनुकूलन प्रदर्शन का प्राथमिक चालक है, फाइन डिस्क्रीटाइजेशन स्थितियों के तहत सर्च के लिए डोमेन-वॉल एनकोडिंग पर स्विच करने से परिणामों में और सुधार किया जा सकता है।
यह शोध पत्र "मेमोरी कंटेजियन" (स्मृति संक्रामकता) की पहचान और उसे औपचारिक रूप देता है, जो एक ऐसी घटना है जहाँ मूल्यांकनकर्ता का पूर्वाग्रह एजेंट मेमोरी सिस्टम के माध्यम से समय के साथ फैलता है, यह प्रदर्शित करते हुए कि कैसे लंबाई प्राथमिकता वाला पूर्वाग्रह (length preference bias) पूर्ण समेकन (perfect consolidation) के बावजूद भविष्य के एजेंटों को संक्रमित कर सकता है, जबकि अधिकार पूर्वाग्रह (authority bias) ऐसा नहीं करता है, जो वर्तमान एआई मेमोरी आर्किटेक्चर में एक मॉडल-जनरेशन-निर्भर भेद्यता को प्रकट करता है।
यह शोध पत्र प्रदर्शित करता है कि एक उत्तल डोमेन (convex domain) की सीमा के निकट आरंभित मिरर फ्लो (mirror flows), जब एक उत्तल द्विघात हानि (convex quadratic loss) द्वारा उत्पन्न होते हैं, तो वे एक समय-निर्भर परिकल्पना सेट (time-dependent hypothesis set) पर हानि को न्यूनतम करने वाली एक सीमित प्रक्रिया की ओर अभिसरित होते हैं, जिससे वृद्धिशील शिक्षण (incremental learning) के लिए एक सामान्य तंत्र स्थापित होता है।