22512 पेपर
यह शोध पत्र क्लस्टर LOCO (Cluster LOCO) को प्रस्तुत करता है, जो एक मॉडल-अज्ञेय (model-agnostic) ढांचा है जो विशिष्ट विशेषताओं को हटाने से क्लस्टर लेबल की सामान्यीकरण क्षमता कितनी कम होती है, इसे मापकर क्लस्टरिंग में विशेषता के महत्व को मापता है, जो जटिल डेटासेट की व्याख्या करने के लिए एक विश्वसनीय और एल्गोरिदम-स्वतंत्र समाधान प्रदान करता है।
यह शोधपत्र एक नवीन ट्रांसफार्मर-आधारित न्यूरल ऑपरेटर प्रस्तावित करता है जो मूल आर्किटेक्चर को बदले बिना स्थानिक स्थानीयता (spatial locality) और अनुवाद समानता (translation equivariance) को लागू करने के लिए रोटरी पोजीशनल एम्बेडिंग्स और अटेंशन लॉजिट्स में एक विघटनीय बायस (decomposable bias) को शामिल करके काफी बड़े स्थानिक डोमेन तक ज़ीरो-शॉट सामान्यीकरण प्राप्त करता है।
DiffusionGemma 26B को इंस्ट्रुमेंट करने के माध्यम से, यह अध्ययन प्रकट करता है कि इसकी टोकन कमिटमेंट प्रक्रिया न तो पूरी तरह से समानांतर है और न ही कड़ाई से क्रमिक, बल्कि एक शासन-निर्भर (regime-dependent), आंशिक बाएं-से-दाएं पूर्वाग्रह है जो बड़े समवर्ती बैच बनाता है, जो यह प्रदर्शित करता है कि कथित डिकोडिंग क्रम अक्सर माप की सूक्ष्मता (measurement granularity) का एक आर्टिफैक्ट है न कि एक निश्चित वास्तुशिल्प गुण।
यह शोध पत्र ऑनलाइन कॉनवेक्स ऑप्टिमाइज़ेशन (Online Convex Optimization) के लिए एक एकीकृत ढांचे को प्रस्तुत करता है जो O\left(\min\left\{\sqrt{dT\ln T},\; \frac{dT\ln T}{k|1-2\delta|}\right) का एक सटीक रिग्रेट बाउंड प्राप्त करने के लिए शोर युक्त पेयरवाइज प्रोब्स (noisy pairwise probes) के सबलीनियर बजट का लाभ उठाता है, यह प्रदर्शित करते हुए कि कैसे ऐसे प्रोब्स कंटीन्यूअस एक्सपोनेंशियल वेट्स (Continuous Exponential Weights) के सेकंड-ऑर्डर विश्लेषण के भीतर एक वेरिएंस रिडक्शन प्रभाव उत्पन्न करते हैं।
यह शोध पत्र एफाइन रोबस्ट ऑप्टिमाइज़ेशन में अनिश्चितता दिशाओं के एक स्पार्स उपसमुच्चय (subset) को चुनने के लिए एक डेटा-संचालित, ग्रीडी एल्गोरिदम का प्रस्ताव करता है, जो कवरेज ऑब्जेक्टिव की सबमॉड्यूलरिटी का लाभ उठाते हुए एप्रोक्सिमेशन गारंटी प्रदान करता है और लॉस बाउंड्स तथा आउट-ऑफ-सैंपल कंट्रोल के लिए सर्टिफिकेट प्रदान करता है।
यह शोध पत्र \method{} को प्रस्तुत करता है, जो एक रूट-विशेषज्ञ (route-specialized) डुअल-अडैप्टर फ्रेमवर्क है जो एक रिलेवेंस राउटर का उपयोग करके नॉलेज एडिटिंग को बढ़ाता है ताकि यह गतिशील रूप से निर्णय लिया जा सके कि नए तथ्यों के लिए एडिट अडैप्टर लागू किया जाए या संपादन को दबाने और मूल ज्ञान को सुरक्षित रखने के लिए लोकैलिटी अडैप्टर का उपयोग किया जाए, जिससे कई बेंचमार्क पर अत्याधुनिक (state-of-the-art) प्रदर्शन प्राप्त होता है।
यह शोध पत्र सिद्ध करता है कि एक छिपे हुए लक्ष्य को बनाए रखना और उसे व्यवहार्य सेट (feasible set) पर प्रक्षेपित करना सामान्य उत्तल क्षमता सेट (convex capacity sets) पर ऑनलाइन इन्वेंटरी अनुकूलन के लिए एक इष्टतम सिद्धांत है, जो उच्च-आयामी अवस्था निर्भरता को एक आयामी कतार नियंत्रण (one-dimensional queue control) समस्या में कम करके बेहतर रिग्रेट बाउंड्स (regret bounds) और दृढ़ उत्तल (strongly convex) तथा गतिशील नुकसानों के लिए नए गारंटियाँ प्राप्त करता है।
यह शोध पत्र सिद्ध करता है कि एआई के साथ प्रूफ़ असिस्टेंट (proof assistants) को जोड़कर मूल्यवान गणित उत्पन्न करने के लिए, अनलिखित मूल्यवान प्रमेयों के इष्टतम कवरेज को प्राप्त करने हेतु प्रमाणित लेकिन तुच्छ कथनों के एक अनंत प्रवाह की आवश्यकता होती है, क्योंकि सीमित से अधिकतम खोज की ओर संक्रमण, तुच्छता की उत्पादन दर के बजाय उसकी अनुमति पर निर्भर करता है।
यह शोधपत्र एक स्थानीय मिनिमैक्स फ्रेमवर्क पेश करते हुए, मैक्स-रिस्क ऑब्जेक्टिव के तहत मल्टी-ग्रुप मीन एस्टिमेशन में एक्टिव लर्निंग के लिए पहला सामान्य लोअर बाउंड स्थापित करता है जो समस्या की कठिनाई को बजट, हेटेरोसेडास्टिसिटी और 'वैरिएंस लोकल कर्वेचर' (VLC) नामक एक नवीन जटिलता माप में विभाजित करता है, साथ ही मौजूदा एल्गोरिदम की निकट-इष्टतमता (near-optimality) को प्रदर्शित करता है और अत्यधिक विषम उदाहरणों में व्यवस्थित अंतराल की पहचान करता है।