22512 पेपर
यह शोध पत्र एक अत्यधिक स्केलेबल, डेटा-संचालित ढांचे को प्रस्तुत करता है जो सीमित गतिशील डेटा से परस्पर क्रिया करने वाले मेनी-बॉडी हैमिल्टोनियन को कुशलतापूर्वक सीखने के लिए ग्रेडिएंट-आधारित मशीन लर्निंग अनुकूलन को टेंसर नेटवर्क निरूपणों के साथ जोड़ता है, जो प्रतिबंधित प्रारंभिक अवस्थाओं, प्रेक्षणों और लघु समय विकास के बावजूद 100 स्पिन से अधिक की प्रणालियों के लिए मजबूत प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र प्रकट करता है कि जहाँ लार्ज लैंग्वेज मॉडल के आकार को 30% से अधिक कम करने से तथ्य स्मरण (fact recall) की क्षमता काफी बाधित होती है, वहीं इन-कॉन्टेक्स्ट लर्निंग (in-context learning) की क्षमताएं 60-70% की कमी के बावजूद सुदृढ़ बनी रहती हैं, जो यह दर्शाता है कि चाहे यह कमी वेट प्रूनिंग (weight pruning) के माध्यम से प्राप्त की गई हो या छोटे डेंस मॉडल्स को प्रशिक्षित करके, स्केलिंग इन दो मुख्य क्षमताओं को असमान रूप से प्रभावित करती है।
यह शोध पत्र डिफ्यूजन मॉडल्स में "सुसंगत मॉडल पुनरुत्पादकता" (consistent model reproducibility) की घटना की जांच और पुष्टि करता है, जो यह प्रदर्शित करता है कि विविध आर्किटेक्चर और प्रशिक्षण प्रक्रियाएं समान शोर इनपुट (noise inputs) दिए जाने पर समान आउटपुट और वितरणों की ओर अभिसरित होती हैं, जिससे विशिष्ट स्मृति-धारण (memorization) और सामान्यीकरण (generalization) शासन प्रकट होते हैं जिनके प्रशिक्षण दक्षता, गोपनीयता और नियंत्रित पीढ़ी के लिए महत्वपूर्ण निहितार्थ हैं।
यह शोध पत्र पारंपरिक मल्टीचैनल पॉलीसोम्नोग्राफी की सीमाओं को संबोधित करते हुए, ह्योर्थ मापदंडों (Hjorth parameters) और एक रैंडम सर्च-अनुकूलित ग्रेडिएंट बूस्टिंग एल्गोरिदम का उपयोग करते हुए, एक नवीन सिंगल-चैनल नवजात नींद-जागने के वर्गीकरण पद्धति का प्रस्ताव करता है, जो 82.35% सटीकता प्राप्त करता है।
यह शोध पत्र एक सैद्धांतिक ढांचा स्थापित करता है जो यह प्रदर्शित करता है कि डिफ्यूजन मॉडल आयाम के अभिशाप (curse of dimensionality) से ग्रस्त हुए बिना कम-आयामी डेटा वितरणों को कुशलतापूर्वक सीख सकते हैं, यह दिखाते हुए कि उनका प्रशिक्षण उद्देश्य एक सबस्पेस क्लस्टरिंग समस्या को हल करने के समकक्ष है, जिसके परिणामस्वरूप नमूना जटिलता (sample complexity) डेटा के एम्बिएंट आयाम के बजाय उसके अंतर्निहित आयाम के साथ रैखिक रूप से स्केल करती है।
यह अध्ययन वास्तविक सोशल मीडिया डेटा का उपयोग करके विशेष रूप से LGBTQ+ समुदाय को लक्षित करने वाली साइबर बुलिंग की घटनाओं का सटीक रूप से पता लगाने और उन्हें अलग करने में विभिन्न ट्रांसफॉर्मर मॉडलों की प्रभावशीलता का मूल्यांकन करता है।
यह शोध पत्र Conditional-Vendi और Conditional-RKE को प्रस्तुत करता है, जो नवीन विविधता मेट्रिक्स हैं जो जनरेटिव एआई में प्रॉम्प्ट-प्रेरित प्रभावों से मॉडल-प्रेरित परिवर्तनशीलता को अलग करते हैं, जिससे टेक्स्ट-टू-इमेज, इमेज-कैप्शनिंग और एलएलएम (LLM) कार्यों में विविधता के अधिक सटीक मूल्यांकन और मार्गदर्शन को सक्षम बनाया जा सके।
यह शोधपत्र Visual-TCAV प्रस्तुत करता है, जो एक नवीन व्याख्यात्मकता ढांचा (explainability framework) है जो इनपुट छवियों में अवधारणाओं (concepts) को खोजने के लिए क्लास-अग्नोस्टिक सैलिएंसी मैप्स उत्पन्न करके और इंटीग्रेटेड ग्रेडिएंट्स के सामान्यीकरण का उपयोग करके विशिष्ट क्लास भविष्यवाणियों के प्रति उनके योगदान का अनुमान लगाकर सैलिएंसी और अवधारणा-आधारित विधियों के बीच के अंतर को पाटता है।
यह शोध पत्र एक नई लेवल सेट अनुमान विधि प्रस्तावित करता है जिसमें एक सैद्धांतिक रूप से सिद्ध स्टॉपिंग क्राइटेरिया (stopping criterion) है जो -सटीकता की गारंटी देता है और पर्याप्त प्रदर्शन प्राप्त होते ही अन्वेषण को रोकने द्वारा बेहतर दक्षता प्रदान करता है।
यह शोध पत्र यह प्रदर्शित करके मशीन-पाठ पहचान से बचने की सीमाओं की जांच करता है कि जबकि मानक हमले शैलीगत फिंगरप्रिंट्स को मिटाने में विफल रहते हैं, एक नवीन शैली-अनुकूल पैराफ्रेसिंग हमला एकल-दस्तावेज़ डिटेक्टरों को बायपास कर सकता है, जो अंततः यह प्रकट करता है कि मानव और मशीन वितरणों के बीच अंतर करने के लिए विश्वसनीय पहचान हेतु बहु-दस्तावेज़ विश्लेषण की आवश्यकता होती है।