22512 पेपर
यह शोध पत्र लीनियर फीचर पाथ मिनिमाइजेशन (LFPM) का प्रस्ताव करता है, जो एक नवीन ढांचा है जो एक एकीकृत फीचर-स्पेस परिप्रेक्ष्य के भीतर अनुकूलित एक एंटी-बैकडोर टास्क वेक्टर को पेश करके मॉडल मर्जिंग में बैकडोर हमलों को कम करता है ताकि क्लीन-टास्क प्रदर्शन को बनाए रखते हुए दुर्भावनापूर्ण ट्रिगर्स को प्रभावी ढंग से दबाया जा सके।
यह शोध पत्र डॉल्फ2वेक (Dolph2Vec) को प्रस्तुत करता है, जो पांच डॉल्फ़िनों के एक अद्वितीय पांच-वर्षीय डेटासेट पर प्रशिक्षित एक नवीन स्व-पर्यवेक्षित शिक्षण मॉडल है, जो व्हिसल (सीटी) का पता लगाने और वर्गीकरण में सामान्य-उद्देश्य वाले बेसलाइन से बेहतर प्रदर्शन करता है और व्याख्यात्मक ध्वनिक प्रतिनिधित्व प्रदान करता है जो डॉल्फ़िन संचार की वैज्ञानिक समझ को आगे बढ़ाता है।
यह शोध पत्र रूब्रिक-गाइडेड सेल्फ-डिस्टिलेशन (RGSD) का प्रस्ताव करता है, जो एक वेरीफायर-मुक्त प्रशिक्षण विधि है जो रूब्रिक-कंडीशन्ड पॉलिसी को एक शिक्षक के रूप में उपयोग करके डेंस, प्रति-टोकन लर्निंग सिग्नल्स को अनकंडीशन्ड स्टूडेंट में डिस्टिल करती है ताकि LLM जजों के ओवरहेड और बायस को समाप्त किया जा सके, जिससे जज-आधारित विधियों के तुलनीय प्रदर्शन प्राप्त होता है और साथ ही कम्प्यूटेशनल लागत में महत्वपूर्ण कमी आती है।
यह शोध पत्र "सैंपल गेन" (sample gain) नामक एक अवधारणा के माध्यम से यह प्रदर्शित करके मशीन लर्निंग बेंचमार्किंग में सत्यापन संकट (validation crisis) को संबोधित करता है कि क्रॉस-वैलिडेशन प्रदर्शन अनुमान भिन्नता (performance estimation variance) को महत्वपूर्ण रूप से कम करता है, जो सीमित डेटा के साथ भी सुदृढ़ और विश्वसनीय एल्गोरिदम तुलना प्राप्त करने के लिए एक गतिशील अर्ली-स्टॉपिंग प्रक्रिया प्रदान करता है।
यह शोध पत्र एक फीचर-प्रिजर्विंग (विशेषता-संरक्षण करने वाले) लेटेंट-EnKF को प्रस्तुत करता है जो संपीड़ित प्रवाह (कंप्रेसिबल फ्लो) में पारंपरिक एनसेम्बल कलमन फिल्टर की गॉसियन धारणा की सीमाओं को पार करता है, क्योंकि यह एक सीखे हुए निम्न-आयामी लेटेंट स्पेस में एनसेम्बल अपडेट करके शॉक और विच्छेदों (डिस्कंटीन्यूइटी) को बिना किसी अवांछित दोलन के सटीक रूप से पुनर्प्राप्त करता है।
यह अध्ययन प्रदर्शित करता है कि जबकि प्रोटीन भाषा मॉडल पुनर्रचना परप्लेक्सिटी (reconstruction perplexity) के आधार पर वायरल और कोशिकीय अनुक्रमों को एक प्रमुख "नेटिवनेस" (nativeness) अक्ष के साथ व्यवस्थित करते हैं, उनके एम्बेडिंग अभी भी पर्याप्त वायरल-विशिष्ट संकेतों को बनाए रखते हैं जो सरल ज़ीरो-शॉट मेट्रिक्स से परे रैखिक पृथकरणीयता (linear separability) की अनुमति देते हैं।
यह अध्ययन एक यथार्थवादी पांच-वर्ग सेटअप का उपयोग करते हुए असंतुलित NSL-KDD डेटासेट पर नौ ओपन-सोर्स AutoML फ्रेमवर्क का मूल्यांकन करता है, जिससे यह पता चलता है कि एन्सेम्बल लर्निंग और असंतुलन-जागरूक अनुकूलन को एकीकृत करने वाले फ्रेमवर्क, विशेष रूप से PyCaret, दुर्लभ हमले के प्रकारों का पता लगाने में अन्य की तुलना में काफी बेहतर प्रदर्शन करते हैं और घुसपैठ का पता लगाने के लिए सटीकता-केंद्रित मेट्रिक्स की अपर्याप्तता को उजागर करते हैं।
यह शोधपत्र फेयर बेयसियन क्लासिफायर (Fair Bayesian classifier) प्रस्तुत करता है, जो सांख्यिकीय निरंतरता और नियतत्ववाद को लागू करके सभी जनसांख्यिकीय उपसमूहों में सुसंगत और पारदर्शी भविष्यवाणियाँ सुनिश्चित करने की एक विधि है, जिससे समग्र सटीकता को बनाए रखते हुए या उसमें सुधार करते हुए उन फ्रीक्वेंटिस्ट दृष्टिकोणों के विश्वसनीयता अंतराल को संबोधित किया जा सके जो अल्पसंख्यक आबादी को असमान रूप से प्रभावित करते हैं।
यह शोध पत्र एफिशिएंट कॉन्टिनुअल अलाइनमेंट (ECA) का प्रस्ताव करता है, जो एक एक्सेम्पलर-मुक्त इंक्रीमेंटल लर्निंग फ्रेमवर्क है जो प्री-ट्रेंड विजन-लैंग्वेज मॉडल्स को बदलते विजुअल कैटेगरीज के अनुकूल बनाने और ओपन-एंडेड इमेज-टू-टेक्स्ट जनरेशन में कैटास्ट्रोफिक फॉरगेटिंग को प्रभावी ढंग से कम करने के लिए 'मिक्सचर ऑफ क्वेरी' मॉड्यूल, 'फिशर डायनेमिक एक्सपेंशन' और 'डिक्शनरी रिप्ले' का उपयोग करता है।
यह शोध पत्र प्रदर्शित करता है कि मूल्यांकन मीट्रिक (evaluation metric) का चयन अनदेखी केमिस्ट्री (unseen chemistry) में ड्रग-रिस्पॉन्स प्रेडिक्शन के लिए मॉडल रैंकिंग को मौलिक रूप से बदल देता है, जहाँ एक जीन-वेरिएंस प्रॉक्सी (gene-variance proxy) के तहत एक सरल लीनियर बेसलाइन बेहतर दिखाई देती है, लेकिन प्रतियोगिता के आधिकारिक एक्टिव-कंपाउंड वेटेड मीट्रिक (active-compound weighted metric) के तहत डीप फ्यूजन मॉडल्स (deep fusion models) इससे काफी बेहतर प्रदर्शन करते हैं।