22512 पेपर
यह शोध पत्र FedBB का प्रस्ताव करता है, जो एक फेडरेटेड लर्निंग फ्रेमवर्क है जो पॉजिटिव नेगेटिव बैलेंस्ड लॉस फंक्शन और क्लाइंट बैलेंस्ड रीवेटिंग रणनीति के माध्यम से इंटर-केस, इंटर-क्लास और इंटर-क्लाइंट स्तरों पर डेटा असंतुलन को संबोधित करता है, जिससे गोपनीयता बनाए रखते हुए सटीकता और दक्षता में मौजूदा एल्गोरिदम से बेहतर प्रदर्शन किया जा सके।
यह शोध पत्र POPSICLE को प्रस्तुत करता है, जो CryoET डेटा पोर्टल से व्युत्पन्न एक व्यापक और विस्तार योग्य बेंचमार्क सुइट है, जो क्रायो-इलेक्ट्रॉन टोमोग्राफी (cryo-electron tomography) सेगमेंटेशन और लोकलाइजेशन में मशीन लर्निंग कार्यों के लिए विविध, सुwell-annotated डेटासेट प्रदान करके मानकीकृत मूल्यांकन संसाधनों की कमी को संबोधित करता है।
यह शोध पत्र रोबोटिक हेरफेर (manipulation) के लिए पदानुक्रमित विजन-लैंग्वेज-एक्शन (Hi-VLA) एजेंटों का एक व्यवस्थित अध्ययन प्रस्तुत करता है, जो मौजूदा डिज़ाइनों को एक नियंत्रण ढांचे के तहत एकीकृत करता है ताकि उन व्यावहारिक सिद्धांतों को निकाला जा सके जो विविध कार्यों में फ्लैट या सहज रूप से डिज़ाइन किए गए पदानुक्रमों की तुलना में काफी अधिक मजबूत और सुदृढ़ प्रणाली प्रदान करते हैं।
यह शोध पत्र वायरलेस फाउंडेशन मॉडल्स के लिए एक एकीकृत अनुकूली फीचर कंपोजिशन फ्रेमवर्क प्रस्तावित करता है जो विभिन्न ट्रांसफॉर्मर डेप्थ्स से मल्टी-लेवल हिडन फीचर्स को गतिशील रूप से एकत्रित करने के लिए एक लाइटवेट रूटिंग एडैप्टर फॉर फीचर कंपोजिशन (RAFC) का उपयोग करता है, जिससे पारंपरिक अनुकूलन विधियों की तुलना में न्यूनतम पैरामीटर ओवरहेड और बेहतर व्याख्यात्मकता के साथ उत्कृष्ट मल्टी-टास्क जनरलाइजेशन प्राप्त होता है।
इस सामान्य धारणा के विपरीत कि सिंथेटिक तर्क (रैशनल) डेटा नैदानिक भविष्यवाणी में सुधार करता है, यह अध्ययन दर्शाता है कि ऐसे डेटा के साथ सुपरवाइज्ड फाइन-ट्यूनिंग अल्जाइमर रोग की भविष्यवाणी करने की क्षमता को महत्वपूर्ण रूप से कम कर देती है, क्योंकि नैरेटिव सुसंगतता और डिस्क्रिमिनेटिव ऑप्टिमाइजेशन के बीच एक संरचनात्मक संघर्ष होता है, भले ही वे तर्क चिकित्सकीय रूप से सटीक हों।
यह शोध पत्र नॉलेज ग्राफ कॉम्प्लीशन मूल्यांकन को एक मल्टी-क्राइटेरिया डिसीजन-मेकिंग समस्या के रूप में पुनर्गठित करता है, जिसमें विरोधाभासी मीट्रिक रैंकिंग को हल करने के लिए सात एग्रीगेटर्स का मेटा-एनालिसिस करते हुए ज़ेड-स्कोर (Z-score) को सबसे संतुलित पद्धति के रूप में पहचाना गया है और सुदृढ़ मॉडल बेंचमार्किंग के लिए साक्ष्य-आधारित मार्गदर्शन प्रदान किया गया है।
यह शोध पत्र ग्राफ और नोड-एट्रिब्यूटेड ग्राफ की तुलना करने के लिए ग्रोमोव-वासरस्टीन (Gromov–Wasserstein) और फ्यूज्ड ग्रोमोव-वासरस्टीन (fused Gromov–Wasserstein) दूरियों का उपयोग करके -निकटतम पड़ोसी (k-nearest neighbors) वर्गीकरण को लागू करता है, और इन क्लासिफायर्स की सार्वभौमिक निरंतरता (universal consistency) को सिद्ध करते हुए कई डेटासेट्स पर उनके मजबूत अनुभवजन्य प्रदर्शन (empirical performance) को प्रदर्शित करता है।
यह शोध पत्र यह प्रदर्शित करता है कि एक क्वांटाइज्ड LLaMA-3.1-8B मॉडल को उनके स्वाभाविक क्रम में डिस्कोर्स तत्वों पर अनुक्रमिक रूप से फाइन-ट्यून करना, स्वतंत्र और रैंडमाइज्ड प्रशिक्षण दृष्टिकोणों की तुलना में काफी बेहतर प्रदर्शन करता है, जिससे बेहतर ऑटोमेटेड एसे रिस्कोरिंग कोहेरेंस प्राप्त होती है और बड़े 70B बेसलाइन के समकक्ष प्रदर्शन मिलता है, जबकि यह एक अधिक लागत प्रभावी समाधान भी प्रदान करता है।
यह शोध पत्र कॉन्फिडेंस-अवेयर एबडक्टिव एक्सप्लेनेशन्स (confidence-aware abductive explanations) और एक मिनिमम कॉन्फिडेंस थ्रेशोल्ड (MCT) फ्रेमवर्क पेश करता है ताकि न्यूनतम फीचर सबसेट्स उत्पन्न किए जा सकें जो अनुमानित वर्ग (predicted class) और उपयोगकर्ता द्वारा निर्दिष्ट आत्मविश्वास स्तर दोनों की गारंटी देते हैं, जिससे पारंपरिक तर्क-आधारित स्पष्टीकरणों की उस सीमा को दूर किया जा सके जो अक्सर मॉडल के मूल आत्मविश्वास को बनाए रखने में विफल रहते हैं।
यह शोध पत्र KG-SoftMAP प्रस्तुत करता है, जो एक बेयसियन नेटवर्क स्ट्रक्चर लर्निंग विधि है जो अपूर्ण, कॉन्फिडेंस-वेटेड नॉलेज ग्राफ प्रायर्स (priors) का लाभ उठाकर प्रभावी ढंग से उन विरल डिस्क्रीट डेटा से कॉज़ल स्ट्रक्चर को रिकवर करती है जहाँ पारंपरिक डेटा-ओनली दृष्टिकोण विफल हो जाते हैं, जो सिंथेटिक बेंचमार्क पर बेहतर प्रदर्शन प्रदर्शित करता है और वास्तविक दुनिया के शैक्षिक डेटासेट के लिए कैलिब्रेटेड, नॉलेज-कंसिस्टेंट डायग्नोस्टिक मॉडल प्रदान करता है।