22512 पेपर
यह शोध पत्र DFL-AA का प्रस्ताव करता है, जो एक विकेंद्रीकृत फेडरेटेड लर्निंग फ्रेमवर्क है जो चयन पूर्वाग्रह (selection bias) को ठीक करने और बिना वैश्विक सिंक्रनाइज़ेशन की आवश्यकता के लॉस्य वायरलेस नेटवर्क में अपडेट स्टेलेनेस (update staleness) को कम करने के लिए इन्वर्स प्रोबेबिलिटी वेटिंग और एज-ऑफ-इंफॉर्मेशन एग्रीगेशन को जोड़ता है।
यह शोध पत्र सेकंड-ऑर्डर वर्गीकरण में एपिस्टेमिक अनिश्चितता अनुमानों की विश्वसनीयता का मूल्यांकन करने के लिए शास्त्रीय अंशांकन (क्लासिकल कैलिब्रेशन) की तुलना में एक अधिक सख्त मानदंड के रूप में एपिस्टेमिक कैलिब्रेशन प्रस्तुत करता है, और अपेक्षित एपिस्टेमिक कैलिब्रेशन एरर (EECE) मीट्रिक का प्रस्ताव करता है ताकि उन अनिश्चितता परिमाणीकरण विधियों के बीच महत्वपूर्ण विश्वसनीयता अंतर को प्रकट किया जा सके जिन्हें मानक मीट्रिक अक्सर अनदेखा कर देते हैं।
यह शोध पत्र भेदभावपूर्ण गतिविधि विवरणों (discriminative activity descriptions) और कंट्रास्टिव उद्देश्यों (contrastive objectives) के साथ एक टेम्पोरल कन्वोल्यूशनल नेटवर्क को प्रशिक्षित करके शून्य-शॉट मानव गतिविधि पहचान (zero-shot human activity recognition) में मोडैलिटी गैप को संबोधित करता है, जो आईएमयू (IMU) सेंसर एम्बेडिंग्स और सिमेंटिक टेक्स्ट प्रोटोटाइप के बीच संरेखण में महत्वपूर्ण सुधार करता है, अनदेखी श्रेणियों पर बेहतर प्रदर्शन प्राप्त करता है और सटीकता (accuracy) की तुलना में मैक्रो-एवरेज्ड एफ1 (macro-averaged F1) को अधिक विश्वसनीय मूल्यांकन मीट्रिक के रूप में प्रस्तावित करता है।
K-Forcing एक नवीन पुश-फॉरवर्ड लैंग्वेज मॉडलिंग प्रतिमान (paradigm) है जो एक टीचर मॉडल को एक कंडीशनल मैपिंग में डिस्टिल करके ऑटोरिग्रेसिव इन्फरेंस को त्वरित करता है, जो एक ही फॉरवर्ड पास में कई भविष्य के टोकन को संयुक्त रूप से उत्पन्न करने में सक्षम है, और केवल मामूली गुणवत्ता गिरावट के साथ उच्च-लोड बैच सर्विंग के तहत महत्वपूर्ण गति वृद्धि प्राप्त करता है।
यह शोध पत्र यूलर विशेषता रूपांतरण (Euler Characteristic Transform) के लिए एक निरंतर एन्कोडिंग प्रस्तुत करता है जो एक ट्रांसफार्मर के लिए टोकन अनुक्रमों के रूप में प्रति-शीर्ष (per-vertex) यूलर-विशेषता परिवर्तनों को रिकॉर्ड करता है, यह प्रदर्शित करते हुए कि यह एन्कोडिंग विभिन्न बेंचमार्क में वर्गीकरण सटीकता में महत्वपूर्ण सुधार करती है और प्रतिनिधित्व आर्किटेक्चर के चुनाव को एन्कोडिंग पद्धति की तुलना में कम महत्वपूर्ण बनाती है।
MODIP एक ऐसा फ्रेमवर्क है जो एक वर्ल्ड मॉडल और मॉडल प्रेडिक्टिव कंट्रोल का लाभ उठाकर डिफ्यूजन पॉलिसीज़ की कुशल ऑफलाइन-टू-ऑनलाइन फाइन-ट्यूनिंग को सक्षम बनाता है, जिससे उच्च-गुणवत्ता वाले सुपरवाइज्ड टारगेट्स उत्पन्न होते हैं, और इस प्रकार व्यवहारिक क्लोनिंग (behavioral cloning) की स्थिरता बनाए रखते हुए प्रत्यक्ष सुदृढीकरण शिक्षण (reinforcement learning) की चुनौतियों पर काबू पाया जाता है।
यह शोध पत्र -टारगेट अपडेट का परिचय और विश्लेषण करता है, जो एक ज्यामितिक औसत तंत्र (geometrically averaged mechanism) है जो लीनियर Q-लर्निंग की स्थिरता में सुधार करने के लिए प्रक्षिप्त Q-वैल्यू इटरेशन (projected Q-value iteration) में आवधिक हार्ड टारगेट अपडेट (periodic hard target updates) का सामान्यीकरण करता है।
यह नियंत्रित अध्ययन प्रदर्शित करता है कि मल्टी-टोकन प्रेडिक्शन (multi-token prediction) सिंथेटिक सिस्मोोग्राम्स के स्थिर लॉन्ग-होरिज़न ऑटो-रिग्रेसिव फोरकास्टिंग को सक्षम करने वाला प्राथमिक कारक है, जबकि साथ ही सामान्यीकरण (generalization) के लिए एक महत्वपूर्ण कॉन्टेक्स्ट-रेशियो थ्रेशोल्ड की पहचान करता है और अवशिष्ट ध्रुवीयता व्युत्क्रमण (residual polarity inversion) विफलताओं को संबोधित करने के लिए फेज़-अवेयर ऑब्जेक्टिव्स (phase-aware objectives) की आवश्यकता पर प्रकाश डालता है।
यह शोध पत्र सांख्यिकीय अंशांकन (statistical calibration) के दृष्टिकोण से मानव-एआई टीमिंग का विश्लेषण करता है, यह प्रदर्शित करते हुए कि जहाँ पूर्वानुमान संयोजन विधियाँ मानव अंशांकन को बनाए रखने में विफल रहती हैं, वहीं प्रतिनिधि रणनीतियाँ (delegation strategies) इसे बनाए रखती हैं लेकिन उस मेटा-मॉडल पर एक निरंतर अप्राप्य अंशांकन भार डालती हैं जो यह निर्णय लेने के लिए जिम्मेदार है कि कौन पूर्वानुमान लगाएगा, विशेष रूप से तब जब मनुष्य ऐसी जानकारी का उपयोग करते हैं जो एआई प्रणाली के लिए अदृश्य होती है।
यह शोध पत्र इस बात की जांच करता है कि क्या आंतरिक डेटा समरूपताएं (intrinsic data symmetries) न्यूरल नेटवर्क प्रशिक्षण के दौरान संरक्षित मात्राओं (conserved quantities) की ओर ले जाती हैं, यह सिद्ध करते हुए कि ऐसी समरूपताएं आम तौर पर विश्लेषणात्मक गैर-बहुपद नुकसानों (analytic non-polynomial losses) के लिए अतिरिक्त गति के समाकल (integrals of motion) उत्पन्न नहीं करती हैं, जबकि यह प्रदर्शित करते हुए कि मीन स्क्वेर्ड एरर लॉस और डेटा ऑग्मेंटेशन का संयोजन टेंसरिज़ेबल नेटवर्कों में अतिरिक्त संरक्षित मात्राएं प्रदान कर सकता है।