22510 पेपर
यह शोध पत्र एक मार्केटिंग एनालिटिक्स फ्रेमवर्क प्रस्तुत करता है जो मांग पूर्वानुमान, मूल्य लोच और मंथन प्रवृत्ति (churn propensity) को एक बाधित, गार्डरेइल्ड निर्णय प्रणाली में एकीकृत करके सब्सक्रिप्शन मूल्य निर्धारण को अनुकूलित करता है, जो ग्राहक विश्वास को बनाए रखते हुए राजस्व और प्रतिधारण (retention) को अधिकतम करने के लिए मूल्य समायोजन को गतिशील रूप से पुनर्वितरित करता है।
यह शोध पत्र 'लुकअहेड प्रोपेंसिटी' (LAP) नामक एक सांख्यिकीय प्रक्रिया प्रस्तुत करता है जो लार्ज लैंग्वेज मॉडल के आर्थिक पूर्वानुमानों में लुकअहेड बायस (lookahead bias) का पता लगाने और उसे मापने का कार्य करता है, यह प्रदर्शित करते हुए कि मॉडलों की भविष्य कहने की क्षमता काफी हद तक उनके प्रशिक्षण डेटा में उपलब्ध भविष्य की जानकारी को आत्मसात करने से संचालित होती है।
यह शोध पत्र संपीड़न-जागरूक (compression-aware) मैट्रिक्स क्लस्टरिंग के लिए एक सिद्धांत-संचालित ढांचे को प्रस्तुत करता है जो संकलित मैट्रिसेस (concatenated matrices) के लिए नए स्पेक्ट्रल बाउंड्स स्थापित करता है और स्पष्ट SVD पुनर्निर्माण त्रुटि बाधाओं के तहत मैट्रिसेस को समूहित करने के लिए कुशल एल्गोरिदम प्रस्तावित करता है।
यह शोध पत्र तर्क देता है कि क्रियाशील (actionable) AI व्याख्यात्मकता को चार विशिष्ट समरूपताओं (symmetries) के माध्यम से औपचारिक रूप से परिभाषित किया जाना चाहिए, जो व्याख्यात्मक मॉडलों के कठोर परीक्षण, डिजाइन और सत्यापन को सक्षम बनाती हैं, जो कि अनुमान (inference), संरेखण (alignment) और सुरक्षा अनुपालन को एकीकृत करने में सक्षम संभाव्य प्रणालियों के एक उपवर्ग के रूप में कार्य करते हैं।
यह शोध पत्र निजी मशीन लर्निंग प्रेडिक्शन के लिए एक PAC गोपनीयता ढांचे का प्रस्ताव करता है जो उच्च-उपयोगिता मॉडल सर्विंग और उसके बाद पारंपरिक डिफरेंशियल प्राइवेसी की तुलना में काफी मजबूत गोपनीयता गारंटी के साथ निजी मॉडल डिस्टिलेशन को सक्षम करने के लिए लीनियर म्यूचुअल इंफॉर्मेशन एक्यूमुलेशन प्राप्त करने हेतु इंस्टेंस-आधारित एम्पिरिकल स्टेबिलिटी और एक नए एडेप्टिव एडवर्सरियल कंपोजिशन थ्योरम का लाभ उठाता है।
यह शोध पत्र ULEE को प्रस्तुत करता है, जो एक अनसुपरवाइज्ड मेटा-लर्निंग विधि है जो अन्वेषण (exploration) और अनुकूलन (adaptation) को अनुकूलित करने के लिए इन-कॉन्टेक्स्ट लर्निंग को एडवरसेरियल गोल जनरेशन के साथ जोड़ती है, जो मौजूदा प्री-ट्रेनिंग दृष्टिकोणों की तुलना में नवीन कार्यों पर ज़ीरो-शॉट और फ्यू-शॉट प्रदर्शन में महत्वपूर्ण सुधार करती है।
यह शोधपत्र V-pretraining को प्रस्तुत करता है, जो एक हल्के कार्य डिज़ाइनर (lightweight task designer) का लाभ उठाकर डाउनस्ट्रीम उदाहरणों के एक छोटे सेट द्वारा निर्देशित चरण-स्तरीय स्व-पर्यवेक्षित लक्ष्यों (step-level self-supervised targets) को उत्पन्न करता है, जिससे सामान्य-उद्देश्य वाले निरूपणों (general-purpose representations) को ध्वस्त किए बिना या डाउनस्ट्रीम लेबल के साथ शिक्षार्थी (learner) को सीधे अपडेट किए बिना विशिष्ट क्षमताओं के लिए निरंतर पूर्व-प्रशिक्षण (continued pretraining) को अनुकूलित किया जाता है।
यह शोध पत्र 'मिनिमम-डिस्टेंस समरीज़' नामक एक हल्के, प्लग-इन टेस्ट-टाइम अनुकूलन विधि को प्रस्तुत करता है जो वितरण संबंधी मिसस्पेसिफिकेशन (distributional misspecification) के विरुद्ध न्यूरल पोस्टीरियर एस्टिमेटर्स को बिना एमोर्टाइजेशन (amortization) से समझौता किए या पुनरप्रशिक्षण की आवश्यकता के बिना मजबूती से समायोजित करने के लिए मैक्सिमम मीन डिसक्रीपेंसी (Maximum Mean Discrepancy) का लाभ उठाता है।
यह शोध पत्र STEM-GNN का प्रस्ताव करता है, जो एक प्रीट्रेन-देन-फाइनट्यून फ्रेमवर्क है जो फ्रोजन ग्राफ न्यूरल नेटवर्क में स्थिरता और सामान्यीकरण के बीच अंतर्निहित ट्रेड-ऑफ को दूर करने के लिए एक मिक्सचर-ऑफ-एक्सपर्ट्स एनकोडर, वेक्टर-क्वांटाइज्ड टोकन इंटरफेस और लिप्सचिट्ज़-रेगुलराइज्ड हेड का उपयोग करता है, जिससे क्लीन डेटा पर प्रतिस्पर्धी प्रदर्शन बनाए रखते हुए वितरण बदलावों (डिस्ट्रीब्यूशन शिफ्ट्स) और गड़बड़ी (पर्टर्बेशन) के विरुद्ध उत्कृष्ट मजबूती प्राप्त होती है।
यह शोध पत्र TCRL का प्रस्ताव करता है, जो एक नवीन टेम्पोरल-कपल्ड एडवरसैरियल ट्रेनिंग फ्रेमवर्क है, जो सुरक्षा-महत्वपूर्ण डोमेन में टेम्पोरली कपल्ड परटर्बेशन्स का प्रभावी ढंग से मुकाबला करने के लिए एक वर्स्ट-केस-परसीव्ड कॉस्ट कंस्ट्रेंट और एक ड्यूल-कंस्ट्रेंट डिफेंस मैकेनिज्म पेश करके कंस्ट्रेंड रिइन्फोर्समेंट लर्निंग में मजबूती को बढ़ाता है।