22512 पेपर
यह शोध पत्र एंट्रॉपी-रेगुलराइज्ड सेमी-डुअल अनबैलेंस्ड ऑप्टिमल ट्रांसपोर्ट (E-SUOT) फ्रेमवर्क का प्रस्ताव करता है, जो नमूना-आधारित लॉग-लाइकलीहुड अनुमान पर निर्भर हुए बिना प्रभावी मध्यवर्ती डोमेन को संश्लेषित करने के लिए फ्लो-आधारित क्रमिक डोमेन अनुकूलन को एक स्थिर अनुक्रमिक अनुकूलन समस्या के रूप में पुनर्गठित करता है।
यह शोध पत्र जनरल-जियोमेट्री न्यूरल व्हिटनी फॉर्म्स (Geo-NeW) को प्रस्तुत करता है, जो एक डेटा-संचालित परिमित तत्व विधि (finite element method) है जो आंशिक अंतर समीकरणों (Partial Differential Equations) को हल करने के लिए भौतिक संरक्षण नियमों को बनाए रखने और अनदेखी ज्यामितिओं (unseen geometries) के प्रति उत्कृष्ट सामान्यीकरण प्राप्त करने हेतु विभेदक ऑपरेटरों और सुसंगत न्यूनीकरण स्थानों (compatible reduced spaces) को संयुक्त रूप से सीखता है।
मेमकास्ट (MemCast) टाइम सीरीज़ फोरकास्टिंग के लिए एक मेमोरी-ड्रिवन फ्रेमवर्क है जो प्रशिक्षण डेटा को पैटर्न, रीजनिंग विजडम और सामान्य नियमों की एक पदानुक्रमित स्मृति (hierarchical memory) में व्यवस्थित करके इस कार्य को अनुभव-सशर्त तर्क (experience-conditioned reasoning) के रूप में पुनर्गठित करता है, जबकि निरंतर विकास को सक्षम करने और अत्याधुनिक प्रदर्शन प्राप्त करने के लिए एक गतिशील आत्मविश्वास अनुकूलन रणनीति (dynamic confidence adaptation strategy) का उपयोग करता है।
यह शोध पत्र ब्लाइंड डिनोइजिंग डिफ्यूजन मॉडल्स (BDDMs) को प्रस्तुत करता है, जो एक सैद्धांतिक रूप से सुदृढ़ संस्करण है जो शोर के स्तरों का अनुकूल रूप से अनुमान लगाने के लिए निम्न अंतर्निहित आयामीता (low intrinsic dimensionality) का लाभ उठाकर स्पष्ट शोर कंडीशनिंग की आवश्यकता को समाप्त करता है, जिससे मानक DDMs के तुलनीय प्रदर्शन को बनाए रखते हुए प्रशिक्षण और नमूनाकरण पाइपलाइन को सरल बनाया जा सकता है।
PRISM एक समानांतर करने योग्य (parallelizable) अनुक्रम मॉडल है जो गैर-रैखिकता (non-linearity) को अलग करके और एक दो-चरणीय प्रॉक्सी आर्किटेक्चर का उपयोग करके पुनरावृत्ति परिशोधन (iterative refinement) को एक फीडफॉरवर्ड ऑपरेटर में संकुचित करके ट्रांसफॉर्मर की अभिव्यंजकता (expressivity) और रैखिक दक्षता के बीच के तनाव को हल करता है, जिससे सैद्धांतिक रैंक- संचय प्राप्त होता है और स्पष्ट अनुकूलन विधियों की तुलना में 174 गुना अधिक थ्रूपुट प्राप्त होता है, जबकि तुलनीय प्रदर्शन बनाए रखता है।
AnomaMind एक एजेंटिक फ्रेमवर्क है जो टाइम सीरीज़ विसंगति का पता लगाने (anomaly detection) को एक अनुक्रमिक, साक्ष्य-आधारित नैदानिक प्रक्रिया के रूप में पुनर्गठित करता है, जो विविध और बदलते विसंगति पैटर्नों में बेहतर प्रदर्शन और सामान्यीकरण प्राप्त करने के लिए एक हाइब्रिड इन्फरेंस मैकेनिज्म के साथ टूल-ऑगमेंटेड रीजनिंग वर्कफ़्लो का लाभ उठाता है।
MALLVI एक मल्टी-एजेंट फ्रेमवर्क है जो रोबोटिक मैनिपुलेशन के लिए मजबूत, क्लोज्ड-लूप क्षमता सक्षम करने हेतु लार्ज लैंग्वेज और विजन मॉडल्स का लाभ उठाता है, जो धारणा (perception), तर्क (reasoning) और लक्षित त्रुटि सुधार (targeted error recovery) के लिए विशिष्ट एजेंटों को समन्वित करता है, जिससे ओपन-लूप दृष्टिकोणों की तुलना में ज़ीरो-शॉट कार्यों में सफलता दर में सुधार होता है।
यह शोध पत्र श्रेणीबद्ध इनपुट (categorical inputs) के लिए एक गणनात्मक रूप से कुशल, क्लोज्ड-फॉर्म फंक्शनल ANOVA डिकम्पोज़िशन प्रस्तुत करता है जो कार्यात्मक विश्लेषण (functional analysis) को असतत फूरियर विश्लेषण (discrete Fourier analysis) के साथ जोड़कर सैंपलिंग-आधारित सन्निकटन की सीमाओं को हल करता है, जिससे मनमाने निर्भरता संरचनाओं (arbitrary dependence structures) के तहत सटीक व्याख्यात्मकता सक्षम होती है और SHAP मानों का एक स्वाभाविक सामान्यीकरण प्रदान किया जाता है।
यह शोध पत्र एक स्पैटियो-टेम्पोरल अटेंशन ग्राफ न्यूरल नेटवर्क (STA-GNN) प्रस्तावित करता है जो जटिल साइबर-फिजिकल अंतर्निर्भरताओं को मॉडल करने और व्याख्या योग्य कारण संबंधी अंतर्दृष्टि प्रदान करने के माध्यम से औद्योगिक नियंत्रण प्रणालियों में अनसुपरवाइज्ड, व्याख्यात्मक और ड्रिफ्ट-अवेयर विसंगति का पता लगाने में सक्षम बनाने के लिए कॉन्फॉर्मल प्रेडिक्शन को एकीकृत करता है।
यह शोध पत्र छह प्राथमिकता-अनुकूलन एल्गोरिदम का एक व्यवस्थित यांत्रिक विश्लेषण प्रदान करता है, जो यह प्रकट करता है कि जबकि वे सभी मॉडल व्यवहार को संरेखित करते हैं, वे लेटेंट स्पेस (latent space) में गुणात्मक रूप से भिन्न और आर्किटेक्चर-निर्भर ज्यामितीय रूपांतरण उत्पन्न करते हैं, जिनमें से कुछ विधियाँ विशेषता पृथक्करणीयता (feature separability) को बढ़ाती हैं जबकि अन्य गैर-रचनात्मक रोटेशन के माध्यम से इसे कम करती हैं।