22510 पेपर
यह शोध पत्र नॉन-लोकल बेयसियन स्पेसियो-टेम्पोरल (NLBST) मॉडल प्रस्तुत करता है, जो एक पदानुक्रमित बेयसियन ढांचा है जो अनियमित अवलोकनों और नॉन-लोकल इंटरैक्शन के तहत निरंतर स्पेसियो-टेम्पोरल पूर्वानुमान के लिए सुलभ अनुमान और अनिश्चितता परिमाणीकरण को सक्षम करने हेतु कोऑर्डिनेट-आधारित स्थानिक आधार विस्तारों को न्यूरल ODEs के साथ जोड़ता है।
यह शोध पत्र एक शोरयुक्त पूर्ण ग्राफ (complete graph) में अंतर्निहित एक छिपे हुए भारित विरल ग्राफ (weighted sparse graph) के लगभग सटीक और आंशिक पुनर्प्राप्ति के लिए एकीकृत सूचना-सैद्धांतिक सीमाएँ स्थापित करता है, जो पुनर्प्राप्ति सीमा को अंतर्निहित अर्दोस-रेनी मॉडल के कुलबैक-लीब्लर विचलन (Kullback-Leibler divergence) और प्रथम क्षण सीमा (first moment threshold) से जोड़ता है और विशिष्ट वितरणों के लिए 'ऑल-ऑर-नथिंग' (All-or-Nothing) थ्रेशोल्ड घटनाओं को प्रदर्शित करता है।
यह शोध पत्र LESS (लोकल एनकोडर फॉर स्पेशियल सेंसिंग) को प्रस्तुत करता है, जो एक ऑब्जेक्ट-सेंट्रिक टैक्टाइल रिप्रजेंटेशन है जो रोबोट-नियंत्रित और मानव-समान हैंड-हेल्ड पल्पेशन (स्पर्श परीक्षण) के माध्यम से मजबूत सामान्यीकरण, स्थानिक अनिश्चितता अनुमान और आंतरिक मृदु वस्तु संरचनाओं के पूर्ण 3D पुनर्निर्माण को प्राप्त करने के लिए स्थानीय रिसेप्टिव फील्ड्स वाले रिकरेंट एनकोडर्स के ग्रिड का उपयोग करता है।
यह शोध पत्र SemPiper प्रस्तुत करता है, जो एक इंटरैक्टिव सिस्टम है जो डेवलपर्स को उच्च-स्तरीय प्राकृतिक भाषा डेटा ऑपरेशन्स को डिक्लेरेटिव सिमेंटिक ऑपरेटर्स के रूप में परिभाषित करने की अनुमति देकर लार्ज लैंग्वेज मॉडल्स को मशीन लर्निंग पाइपलाइनों में एकीकृत करता है, जिन्हें फिर नियंत्रणीय और कुशल एमएल वर्कफ़्लो बनाने के लिए मानक पायथन कोड के साथ स्वचालित रूप से सिंथेसाइज और ऑप्टिमाइज़ किया जाता है।
यह शोध पत्र मशीन-लर्नड पार्टिकल फ्लो (MLPF) को कोलाइडर भौतिकी के लिए एक फाउंडेशन मॉडल के रूप में स्थापित करता है, यह प्रदर्शित करते हुए कि इसके द्वारा सीखे गए लेटेंट रिप्रेजेंटेशन्स (latent representations) लो-लेवल डिटेक्टर डेटा और विविध हाई-लेवल विश्लेषण कार्यों के बीच एक साझा, सूचना-समृद्ध सेतु के रूप में कार्य करते हैं, जो पारंपरिक मॉड्यूलर दृष्टिकोणों की तुलना में प्रदर्शन और दक्षता में महत्वपूर्ण सुधार करता है।
यह शोध पत्र खोज बाधाओं (discovery bottlenecks) का एक ज्यामितीय सिद्धांत प्रस्तावित करता है, जो यह प्रदर्शित करता है कि स्थानीय खोज (local search) के साथ LLM-जनित प्रस्तावों को संयोजित करने वाली हाइब्रिड प्रणालियाँ वैज्ञानिक सफलताएँ केवल तभी प्राप्त करती हैं जब स्पेक्ट्रल संपीड़न (spectral compression), ऑर्थोगोनल एस्केप (orthogonal escape) और अवशिष्ट सिग्नल संरेखण (residual signal-alignment) की विशिष्ट स्थितियाँ पूरी होती हैं, जिससे नवीनता खोज (novelty search) को इस निर्धारण के लिए एक नैदानिक उपकरण में बदल दिया जाता है कि गैर-स्थानीय अन्वेषण वास्तव में कब आवश्यक है।
यह शोध पत्र विविक्त भाषा निरूपणों (discrete language representations) का उपयोग करते हुए एक सैद्धांतिक मॉडल प्रस्तुत करता है ताकि यह औपचारिक रूप से सिद्ध किया जा सके कि सिंगल-लेयर मिक्सचर-ऑफ-एक्सपर्ट्स ट्रांसफॉर्मर, विशिष्ट कार्यों की अंतर्निहित जटिलता के अनुसार अद्वितीय विशेषज्ञों तक क्वेरीज़ को रूट करके कार्य-विशेषज्ञता (task-expert specialization) प्राप्त कर सकते हैं, जिससे स्थानीयकृत ज्ञान सर्किट (localized knowledge circuits) के अनुभवजन्य अवलोकनों के लिए एक सैद्धांतिक आधार प्राप्त होता है।
यह शोधपत्र FedCONST का प्रस्ताव करता है, जो एक फेडरेटेड लर्निंग फ्रेमवर्क है जो प्रशिक्षण को स्थिर करने, विषम क्लाइंट डेटा पर ओवरफिटिंग को कम करने और अत्याधुनिक फीचर जनरलाइजेशन प्राप्त करने के लिए एडेप्टिव अपडेट मॉड्यूलेशन और लीनियर कॉनवेक्स कंस्ट्रेंट्स का उपयोग करता है।
यह शोध पत्र COMET को प्रस्तुत करता है, जो एक मॉडल-आधारित सुदृढीकरण अधिगम (reinforcement learning) एल्गोरिदम है जो एक फ्रोजन ऑब्जेक्ट-सेंट्रिक एनकोडर को एक्शन-स्लॉट फ्यूजन और ऑब्जेक्ट-कॉज़ल अटेंशन वाले ट्रांसफार्मर-आधारित वर्ल्ड मॉडल के साथ जोड़कर मोंटे कार्लो ट्री सर्च प्लानिंग को बेहतर बनाता है, जिसके परिणामस्वरूप मौजूदा बेसलाइनों की तुलना में विविध दृश्य और गतिशील कार्यों में उत्कृष्ट प्रारंभिक-चरण प्रदर्शन प्राप्त होता है।
यह शोध पत्र EM-NeSy को प्रस्तुत करता है, जो एक नवीन न्यूरोसिम्बोलिक लर्निंग फ्रेमवर्क है जो एक्सपेक्टेशन-मैक्सिमाइज़ेशन (Expectation-Maximization) एल्गोरिदम का लाभ उठाकर स्केलेबल और कुशल प्रशिक्षण को सक्षम बनाता है, जिससे प्रतीकात्मक घटक (symbolic component) के डिफरेंशिएबल होने की आवश्यकता नहीं होती है, और इस प्रकार यह सटीक और अनुमानित दोनों प्रकार के तर्क (reasoning) का समर्थन करता है।