22423 पेपर
यह शोध पत्र स्टार्टर-इटरेटर न्यूरल ऑपरेटर (SINO) को प्रस्तुत करता है, जो एक एकीकृत आर्किटेक्चर है जो विविध अनुप्रयोगों में फॉरवर्ड और इनवर्स पार्शियल डिफरेंशियल इक्वेशन समस्याओं के लिए उच्च-सटीक, सुदृढ़ समाधान प्राप्त करने हेतु फ्रीक्वेंसी-डोमेन इनिशियलाइजेशन को टाइम-डोमेन रेसिडुअल ऑप्टिमाइजेशन के साथ एकीकृत करता है।
TRIDENT एक नवीन मल्टी-एजेंट सुदृढीकरण शिक्षण (मल्टी-एजेंट रीइन्फोर्समेंट लर्निंग) ढांचा है जो रिचर्डसन-रोमबर्ग ग्रेडिएंट सुधार (रिचर्डसन-रोमबर्ग ग्रेडिएंट करेक्शन), लियापुनोव-प्रतिबंधित अपडेट (लियापुनोव-कंस्ट्रेंड अपडेट्स), और एक भौतिकी-सूचित अवशिष्ट आलोचक (फिजिक्स-इन्फॉर्म्ड रेसिडुअल क्रिटिक) वाले सह-डिज़ाइन किए गए आर्किटेक्चर के माध्यम से हाइब्रिड क्रियाओं, सुरक्षा बाधाओं और भौतिकी गतिकी के बीच अंतर्निहित युग्मन को हल करता है, जिससे विविध साइबर-भौतिक अनुप्रयोगों में काफी कम सुरक्षा उल्लंघन और बेहतर पुरस्कारों के साथ एक प्रतिबन्धित नैश संतुलन (कन्स्ट्रेंड नैश इक्विलिब्रियम) की प्रमाणित अभिसरण प्राप्त होती है।
यह शोध पत्र TIGER को प्रस्तुत करता है, जो एक निरंतर ग्रेडिएंट इनवर्जन हमला (continuous gradient inversion attack) है जो टोकन एम्बेडिंग्स को अटेंशन ग्रेडिएंट सबस्पेस के प्रति उनकी दूरी को कम करने के लिए अनुकूलित करता है, जिससे एनकोडर और डिकोडर दोनों ट्रांसफार्मर मॉडलों के लिए मौजूदा विधियों की तुलना में शोर (noise) और डिफरेंशियल प्राइवेसी के विरुद्ध बेहतर पुनर्निर्माण गुणवत्ता और मजबूती प्राप्त होती है।
यह शोध पत्र प्रदर्शित करता है कि ASR स्व-सत्यापन के माध्यम से ऑटोरेग्रेसिव न्यूरल-कोडेक टेक्स्ट-टू-स्पीच मॉडलों में होने वाली विनाशकारी विफलताओं को लगभग समाप्त किया जा सकता है और तत्पश्चात इस मजबूती को मॉडलों में डिस्टिल करके बिना किसी इन्फरेंस लागत के कम किया जा सकता है, जिससे विविध कोडेक और सिस्टम्स में विफलताओं की दर शून्य के करीब पहुंच जाती है।
यह शोध पत्र RGNet को प्रस्तुत करता है, जो रिनॉर्मलाइजेशन ग्रुप (renormalization group) से प्रेरित एक न्यूरल नेटवर्क आर्किटेक्चर है जो स्थानीय विवरणों और वैश्विक पैटर्न दोनों को पकड़ने के लिए फीचर स्पेस को पदानुक्रमित रूप से कोर्स-ग्रेनिंग (coarse-graining) करके दोष निदान (fault diagnosis) में क्लास असंतुलन और बहुआयामी शोर को प्रभावी ढंग से संबोधित करता है।
यह शोध पत्र Self-CTRL को प्रस्तुत करता है, जो एक सुदृढीकरण शिक्षण (reinforcement learning) विधि है जो भाषा मॉडलों के स्व-स्पष्टीकरणों को उनके वास्तविक व्यवहार के साथ संरेखित करती है, जिससे संभाव्य तर्क (probabilistic reasoning) और संवैधानिक एआई (constitutional AI) कार्यों में पारदर्शिता, ऑडिटेबिलिटी और सुरक्षा में महत्वपूर्ण सुधार होता है।
यह शोध पत्र ThousandWorlds को प्रस्तुत करता है, जो एक क्यूरेटेड बेंचमार्क डेटासेट है जिसमें पांच अलग-अलग मॉडलों के लगभग 1800 वैश्विक जलवायु मॉडल सिमुलेशन शामिल हैं ताकि एक्सोप्लैनेट (exoplanet) जलवायु के मशीन लर्निंग इम्यूलेशन (emulation) को सुगम बनाया जा सके, जो यह प्रकट करता है कि इस लो-डेटा (low-data), मल्टी-सिम्युलेटर (multi-simulator) परिदृश्य में वर्तमान में गॉसियन प्रोसेस (Gaussian process) विधियाँ डीप लर्निंग दृष्टिकोणों से बेहतर प्रदर्शन करती हैं।
यह शोध पत्र एनाटॉमिकल मास्क के आधार पर अल्जाइमर रोग के लिए उच्च-गुणवत्ता वाले 3D स्ट्रक्चरल MRI उत्पन्न करने हेतु Med-DDPM से अनुकूलित एक कंडीशनल डिफ्यूजन मॉडल प्रस्तुत करता है, जो यह प्रदर्शित करता है कि सिंथेटिक और हाइब्रिड डेटासेट, केवल वास्तविक डेटा वाले बेसलाइन की तुलना में सेगमेंटेशन मॉडल्स के प्रदर्शन को महत्वपूर्ण रूप से बढ़ाते हैं।
यह शोध पत्र प्रकट करता है कि टाइम सीरीज़ फाउंडेशन मॉडल्स के लिए मानक एग्रीगेट बेंचमार्क, महत्वपूर्ण ट्रैफिक रेजीम ट्रांज़िशन के दौरान गंभीर प्रदर्शन विफलताओं को छिपा देते हैं, और एक रेजीम-स्ट्रैटिफाइड मूल्यांकन ढांचे के साथ-साथ एक बाइमॉडल मिक्स्चर ऑग्मेंटेशन विधि प्रस्तावित करता है ताकि इन छिपी हुई कमजोरियों को बेहतर ढंग से पकड़ा और संबोधित किया जा सके।
यह शोधपत्र एक पोस्ट-हॉक सामान्यीकरण ढांचे (post-hoc generalization framework) को प्रस्तुत करता है जो बेस मॉडल के अपेक्षित जोखिम (expected risk) पर एक ऊपरी सीमा (upper bound) व्युत्पन्न करके भाषा मॉडलों के लिए स्पार्स ऑटोएन्कोडर (Sparse Autoencoder)-आधारित स्पष्टीकरणों की निष्ठा (faithfulness) को प्रमाणित करता है, जो यह प्रदर्शित करता है कि यह सीमा विभिन्न मॉडलों में गैर-रिक्त (non-vacuous) हो जाती है और यह प्रकट करती है कि मजबूत स्थानीय निष्ठा (local fidelity) और कम त्रुटि प्रवर्धन (error amplification) के कारण बाद की परतें अधिक विश्वसनीय रूप से प्रमाणित होती हैं।