22467 पेपर
यह शोधपत्र MUNI को प्रस्तुत करता है, जो एक एंड-टू-एंड मल्टीमॉडल लेटेंट डिफ्यूजन फ्रेमवर्क है जो एक नवीन रूटेड ऑब्जेक्टिव के माध्यम से प्रशिक्षित एक साझा स्टोकेस्टिक लेटेंट स्पेस के माध्यम से सबसेट-कंडीशन्ड जनरेशन और अनकंडीशनल जॉइंट सैंपलिंग को एकीकृत करता है, जिससे एनी-टू-एनी जनरेशन में श्रेष्ठ सुसंगतता प्राप्त करने के लिए मौजूदा LLM-आधारित या टेक्स्ट-अलाइन्ड मॉडल्स की सीमाओं को दूर किया जा सके।
यह शोध पत्र Taylor-Calibrate का प्रस्ताव करता है, जो एक सिद्धांत-आधारित इनिशियलाइज़ेशन विधि है जो प्रीट्रेन किए गए ट्रांसफॉर्मर से परिवर्तित हाइब्रिड लीनियर अटेंशन मॉडल्स के ज़ीरो-शॉट प्रदर्शन और प्रशिक्षण दक्षता को महत्वपूर्ण रूप से सुधारने के लिए टेलर-निर्देशित शिक्षक सांख्यिकी (Taylor-guided teacher statistics) और प्रति-परत संरेखण (per-layer alignment) का लाभ उठाता है।
यह शोध पत्र TC-SOH को प्रस्तुत करता है, जो एक मॉड्यूलर, एंड-टू-एंड सर्विस आर्किटेक्चर है जो मौजूदा फिजिक्स-इन्फॉर्म्ड और डेटा-ड्रिवन बेसलाइन्स की तुलना में बेहतर सटीकता और पारदर्शिता के साथ बैटरी स्टेट ऑफ हेल्थ की स्वायत्त रूप से भविष्यवाणी करने के लिए टेम्पोरल-कॉन्ट्रास्टिव रिप्रेजेंटेशन लर्निंग का लाभ उठाता है।
यह शोध पत्र न्यूरॉनफैब्रिक (NeuronFabric) को प्रस्तुत करता है, जो स्थानीय एडम (Adam) अपडेट के साथ ऑन-चिप ट्रांसफॉर्मर ट्रेनिंग के लिए एक सॉफ्टवेयर संदर्भ आर्किटेक्चर और C# प्रोटोटाइप है, जो संख्यात्मक शुद्धता को मान्य करता है और यह प्रदर्शित करता है कि एक BF16W कॉन्फ़िगरेशन (FP32 ऑप्टिमाइज़र मोमेंट्स के साथ BF16 वेट्स) मेमोरी की आवश्यकताओं को कम करके भविष्य के FPGA और ASIC कार्यान्वयन के लिए Xilinx ZCU102 डिवाइस की BRAM क्षमता के भीतर फिट होने के लिए अनुकूलित करता है।
यह शोध पत्र SDS-LoRA का प्रस्ताव करता है, जो एक नवीन लो-रैंक अडैप्टेशन विधि है जो एनिसोट्रोपिक ग्रेडिएंट स्केलिंग को समाप्त करने के लिए बैकवर्ड पास से सिंगुलर वैल्यूज को संरचनात्मक रूप से अलग करके मानक LoRA की प्रदर्शन सीमाओं को दूर करती है, जिससे अभिसरण (कन्वर्जेंस) में सुधार होता है और फुल फाइन-ट्यूनिंग के अंतर को कम किया जाता है।
यह शोध पत्र ConjFormer का प्रस्ताव करता है, जो एक ऑर्थोगोनली इक्विवैरिएंट (orthogonally equivariant) ट्रांसफॉर्मर आर्किटेक्चर है जो क्लाइंट्स को सर्वर को सीक्रेट-रोटेटेड हिडन स्टेट्स (secret-rotated hidden states) ट्रांसमिट करने में सक्षम बनाकर गोपनीयता-संरक्षित LLM इन्फरेंस को सक्षम बनाता है, जो न्यूनतम प्रदर्शन ह्रास बनाए रखते हुए टोकन रिकवरी हमलों को प्रभावी रूप से रोकता है।
यह शोध पत्र यह प्रदर्शित करता है कि साझा EEG एनकोडर्स को विषय-विशिष्ट (subject-specific) एनकोडर्स से बदलना प्रभावी रूप से उस संरेखण (alignment) की भूमिका को आंतरिक रूप से आत्मसात कर लेता है जिसे आमतौर पर यूक्लिडियन एलाइनमेंट (Euclidean Alignment) द्वारा संभाला जाता है, जिससे क्रॉस-सब्जेक्ट डिकोडिंग प्रदर्शन में सुधार होता है और साथ ही अनदेखे उपयोगकर्ताओं के लिए उपयुक्त विषय-विशिष्ट हेड्स (subject-specific heads) के चयन को शेष चुनौती के रूप में रेखांकित किया जाता है।
यह शोध पत्र LLM मूल्यांकन के लिए टेल-शेप (tail-shape) अनुमान में फाल्स पॉजिटिव्स (false positives) को पहचानने हेतु एक कठोर प्री-रजिस्टर्ड प्रोटोकॉल प्रस्तुत करता है, जो एक विषाक्तता अध्ययन (toxicity study) के माध्यम से यह प्रदर्शित करता है कि ऐसे दावे अक्सर नाजुक होते हैं और मानक माध्य (mean) एवं परिमाण (magnitude) सांख्यिकी से परे उनमें विभेदक शक्ति का अभाव होता है।
यह शोधपत्र यह प्रदर्शित करता है कि जैविक तर्क मॉडलों (biological reasoning models) के पोस्ट-ट्रेनिंग चरण—विशेष रूप से निरंतर प्री-ट्रेनिंग (continued pre-training), सुपरवाइज्ड फाइन-ट्यूनिंग (supervised fine-tuning), और रीइन्फोर्समेंट लर्निंग (reinforcement learning)—सामान्यीकरण क्षमताओं (generalization capabilities) को विशिष्ट रूप से नया आकार देते हैं, जो यह प्रकट करता है कि इष्टतम प्रदर्शन के लिए केवल पर्यवेक्षण (supervision) या कंप्यूट को संचित करने के बजाय इन-डोमेन लाभों और आउट-ऑफ-डोमेन सुदृढ़ता (out-of-domain robustness) के बीच संतुलन बनाना आवश्यक है।
यह शोध पत्र प्रकट करता है कि कॉन्सेप्ट बॉटलनेक मॉडल्स (Concept Bottleneck Models) में उच्च कार्य सटीकता (task accuracy), स्प्यूरियस शॉर्टकट्स (spurious shortcuts) के कारण विश्वसनीय कॉन्सेप्ट डिटेक्शन की गारंटी नहीं देती है, और एक विश्वसनीयता-जागरूक प्रशिक्षण रणनीति (reliability-aware training strategy) प्रस्तावित करता है जो इस समस्या को कम करने के लिए कई हेड्स (heads) के माध्यम से साझा कॉन्सेप्ट डिटेक्टर्स को अनुकूलित करती है और डिटेक्टर्स एवं वर्गीकरण हेड्स (classification heads) की विनिमेयता (interchangeability) में महत्वपूर्ण सुधार करती है।