22423 पेपर
यह शोध पत्र 'कपल्ड एसडीई' (coupled SDEs) नामक एक प्रशिक्षण-मुक्त विधि प्रस्तुत करता है जो स्रोत और संपादित छवियों को सह-संबंधित शोर (correlated noise) के साथ संचालित करके पूर्व-प्रशिक्षित जनरेटिव मॉडलों की सैंपलिंग प्रक्रिया को निर्देशित करती है, जिससे उच्च प्रॉम्प्ट फिडेलिटी प्राप्त करने के साथ-साथ लगभग पिक्सेल-स्तर की दृश्य निरंतरता भी बनी रहती है।
यह शोध पत्र एक एकल मार्कोवियन प्रक्षेपवक्र (Markovian trajectory) और एक नवीन द्वैत सन्निकटन योजना (dual approximation scheme) का उपयोग करने वाले रैखिक फलन सन्निकटन (linear function approximation) के साथ एक मॉडल-मुक्त, वितरण रूप से सुदृढ़ (distributionally robust) Q-लर्निंग एल्गोरिदम के लिए एक परिमित-समय अभिसरण विश्लेषण प्रस्तुत करता है, जो डिस्काउंट कारक या जनरेटिव एक्सेस पर प्रतिबंधात्मक धारणाओं की आवश्यकता के बिना अभिसरण गारंटी प्राप्त करता है।
यह अध्ययन प्रदर्शित करता है कि मास-कंजर्विंग पर्सिसेप्ट्रॉन (MCP) मॉडल, जो भौतिक व्याख्यात्मकता और प्रक्रिया-जागरूक जटिलता चयन को एकीकृत करते हैं, विविध CONUS जलसंभरों (catchments) में LSTM नेटवर्क के तुलनीय भविष्य कहनेवाला प्रदर्शन प्राप्त कर सकते हैं, जबकि वर्षा-भंडारण-अपवाह गतिकी की बेहतर यांत्रिक समझ प्रदान करते हैं।
यह शोध पत्र DP-Hype को प्रस्तुत करता है, जो एक फेडरेटेड लर्निंग एल्गोरिदम है जो क्लाइंट-स्तरीय डिफरेंशियल प्राइवेट वोटिंग के माध्यम से गोपनीयता-संरक्षित हाइपरपैरामीटर खोज (hyperparameter search) करता है, जो हाइपरपैरामीटर्स की संख्या से स्वतंत्र रूप से मजबूत गोपनीयता गारंटी प्राप्त करता है और विविध डेटा सेटिंग्स में उच्च उपयोगिता बनाए रखता है।
यह शोध पत्र UCB-Hoeffding के लिए एक नवीन विश्लेषणात्मक ढांचे को पेश करके, उन्नत ULCB-Hoeffding एल्गोरिदम का प्रस्ताव देकर, और AMB एल्गोरिदम के डिज़ाइन और विश्लेषणात्मक दोषों को सुधारने के लिए उसे परिष्कृत करके, एपिसोडिक टैबुलर MDPs में UCB-आधारित और गैर-UCB-आधारित मॉडल-फ्री सुदृढ़ीकरण सीखने (reinforcement learning) एल्गोरिदम दोनों के लिए प्रथम सूक्ष्म-स्तरीय अंतराल-निर्भर (fine-grained gap-dependent) रिग्रेट बाउंड्स स्थापित करता है।
यह शोध पत्र एक परिमित-नमूना सांख्यिकीय सिद्धांत स्थापित करता है जो यह सिद्ध करता है कि इन-कॉन्टेक्स्ट लर्निंग (in-context learning), बेयसियन इन्फरेंस (Bayesian inference) के समतुल्य है, जो जोखिम को एक बेयस गैप (Bayes Gap) और पोस्टीरियर वेरिएंस (Posterior Variance) में विभाजित करके यह दर्शाता है कि ट्रांसफॉर्मर्स प्रीट्रेनिंग के दौरान इष्टतम मेटा-एल्गोरिदम सीखते हैं और कुछ इन-कॉन्टेक्स्ट उदाहरणों के साथ तेजी से कार्य-विशिष्ट इष्टतमता की ओर अभिसरित होते हैं।
CoIRL-AD एक सहयोगात्मक-प्रतिस्पर्धी ढांचा है जो एंड-टू-एंड स्वायत्त ड्राइविंग की मजबूती और सामान्यीकरण को बढ़ाने के लिए, विशेष रूप से लॉन्ग-टेल परिदृश्यों और क्रॉस-सिटी सेटिंग्स में, लेटेंट वर्ल्ड मॉडल्स के भीतर इमिटेशन और रीइन्फोर्समेंट लर्निंग को एकीकृत करता है, जो उद्देश्यों को अलग करने और ऑफलाइन प्रशिक्षण के लिए इमेजिन्ड रोलआउट्स का लाभ उठाने के माध्यम से किया जाता है।
यह शोध पत्र इस सामान्य ह्यूरिस्टिक (heuristic) को चुनौती देता है कि समृद्ध स्पेक्ट्रल फीचर्स बेहतर सामान्यीकरण (generalization) की गारंटी देते है, यह आणविक बेंचमार्क पर कर्नेल रिज रिग्रेशन के व्यापक स्पेक्ट्रल विश्लेषण के माध्यम से प्रदर्शित करता है कि स्पेक्ट्रल समृद्धि और प्रदर्शन के बीच का संबंध विशिष्ट प्रतिनिधित्व और कार्य पर अत्यधिक निर्भर है, जहाँ कम-डेटा वाले परिदृश्यों में ECFP जैसे सरल फीचर्स अक्सर जटिल ट्रांसफार्मर या 3D डिस्क्रिप्टर्स से बेहतर प्रदर्शन करते हैं।
यह शोध पत्र विभेद्य अनुकूलन (डिफरेंशिएबल ऑप्टिमाइज़ेशन) के लिए एक नवीन पूर्णतः प्रथम-क्रम परत (फुली फर्स्ट-ऑर्डर लेयर) प्रस्तुत करता है जो बाधांकित बाइलेवल अनुकूलन (कंस्ट्रेंड बाइलेवल ऑप्टिमाइज़ेशन) के लिए अत्याधुनिक अभिसरण दर प्राप्त करने हेतु एक्टिव-सेट लैग्रेंजियन हाइपरग्रेडिएंट ऑरेकलल का लाभ उठाकर गणनात्मक रूप से महंगी हेसियन मूल्यांकनों की आवश्यकता को समाप्त करता है।
यह शोध पत्र एक दो-चरणीय जेनरेटिव एडवरसैरियल नेटवर्क फ्रेमवर्क प्रस्तावित करता है जो केवल इनपुट-आउटपुट रिकॉर्डिंग का उपयोग करके समय-परिवर्तनीय ऑडियो प्रभावों को मॉडल करता है, जो आंतरिक अवस्था सिंक्रोनाइज़ेशन के लिए स्टेट प्रेडिक्शन नेटवर्क के साथ एडवरसैरियल ट्रेनिंग को जोड़कर कंट्रोल सिग्नल निष्कर्षण की आवश्यकता को समाप्त करता है।