22512 पेपर
यह शोध पत्र Aco2 को प्रस्तुत करता है, जो एक कॉन्टेक्स्टुअल कॉन्ट्रास्टिव मेटा रीइन्फोर्समेंट लर्निंग फ्रेमवर्क है जो एक क्वाड्रोटर को इंटरेक्शन हिस्ट्री से लेटेंट कॉन्टेक्स्ट का अनुमान लगाकर, बिना किसी रियल-वर्ल्ड फाइन-ट्यूनिंग के, परिवर्तनशील पेलोड डायनेमिक्स के अनुकूल होने और विविध हैंडल-युक्त वस्तुओं को स्वायत्त रूप से उठाने, ले जाने और वितरित करने में सक्षम बनाता है।
यह अध्ययन प्रदर्शित करता है कि अनुदैर्ध्य नियमित प्रयोगशाला डेटा पर प्रशिक्षित एक ट्रांसफार्मर मॉडल, कैंसर रोगियों में नैदानिक निदान से कुछ सप्ताह या महीनों पहले विभिन्न अंग-स्तरीय जटिलताओं की शुरुआत का पूर्वानुमान लगा सकता है, जो स्थिर बेसलाइन विधियों की तुलना में काफी बेहतर प्रदर्शन करता है और विभिन्न प्रकार के कैंसरों एवं स्वास्थ्य देखभाल प्रणालियों में सामान्यीकरण करता है।
यह शोध पत्र स्ट्रक्चर्ड इग्नोरेंस सर्टिफिकेट्स (SICs) को प्रस्तुत करता है, जो एक JSON-फॉर्मेटेड आउटपुट स्कीमा और एक नवीन क्रॉस-डोमेन "अननोन-अननोन" डेटासेट एवं GRPO फाइन-ट्यूनिंग का उपयोग करने वाली संबद्ध प्रशिक्षण पद्धति है, जो रीजनिंग मॉडल्स को उत्तरों के लिए मतिभ्रम (hallucinate) दिखाने के बजाय अपने ज्ञान के अंतराल को स्पष्ट रूप से पहचानने और उन्हें संरचित करने में सक्षम बनाता है, जिससे उच्च वैधता और बेहतर रिट्रीवल-ग्राउंडेड जनरेशन प्राप्त होता है।
OrderDP एक सैद्धांतिक रूप से गारंटीकृत, प्लग-एंड-प्ले डायनेमिक डेटा प्रूनिंग फ्रेमवर्क है जो एक उपसमुच्चय (सबसेट) को यादृच्छिक रूप से चुनने और फिर एक सरोगेट लॉस के आधार पर टॉप- नमूनों को चुनने के माध्यम से अनबायस्ड ग्रेडिएंट एस्टीमेशन और 40% से अधिक लागत में कमी के साथ लगभग लॉसलेस ट्रेनिंग त्वरण प्राप्त करता है।
यह शोध पत्र एक स्पेक्ट्रल ऑडिट फ्रेमवर्क प्रस्तुत करता है जो यह प्रदर्शित करता है कि शारीरिक समय श्रृंखला (EEG और ECG) के लिए डीप लर्निंग मॉडल अक्सर केवल डोमेन-विशिष्ट आवधिक विशेषताओं के बजाय महत्वपूर्ण रूप से ब्रॉडबैंड एपीरियॉडिक 1/f-जैसे संकेतों पर निर्भर करते हैं, जो एक ऐसा भ्रम (confound) है जो कार्य के अनुसार बदलता रहता है और जनसांख्यिकी को नियंत्रित करने के बाद भी बना रहता है।
यह शोध पत्र 'लोकल कॉम्पिटिटिव एल्गोरिदम' का उपयोग करके 'कन्वोल्यूशनल स्पार्स कोडिंग' के पहले 'लोइही 2' (Loihi 2) कार्यान्वयन और बेंचमार्क को प्रस्तुत करता है, जो इसकी व्यवहार्यता को प्रदर्शित करता है और उन ऑपरेटिंग रेजीम्स की पहचान करता है जहाँ यह स्ट्रक्चर्ड स्पार्स इन्फरेंस के लिए पारंपरिक GPU बेसलाइन से बेहतर प्रदर्शन करता है।
यह अध्ययन प्रदर्शित करता है कि EEG शोर निवारण (denoising) प्रदर्शन अत्यंत-संक्षिप्त मॉडल क्षमताओं (3–6.5K पैरामीटर्स) पर संतृप्त हो जाता है जहाँ पुनर्निर्माण मेट्रिक्स (reconstruction metrics) डाउनस्ट्रीम BCI उपयोगिता का पूर्वानुमान लगाने में विफल रहते हैं, जो अक्सर वर्गीकरण सटीकता को कम कर देता है और मानक बेंचमार्क एवं व्यावहारिक न्यूरल सिग्नल उपयोगिता के बीच एक महत्वपूर्ण अंतर को प्रकट करता है।
यह शोध पत्र इसके अंतर्निहित PDHG एल्गोरिदम और विशिष्ट तकनीकों का विश्लेषण करके GPU-त्वरित लीनियर प्रोग्रामिंग सॉल्वर PDLP में डेटा-संचालित हाइपरपैरामीटर ट्यूनिंग के लिए सैद्धांतिक सामान्यीकरण गारंटी स्थापित करता है, और अंततः प्रयोगों के माध्यम से इस दृष्टिकोण की व्यावहारिक आवश्यकता और प्रभावशीलता को प्रदर्शित करता है।
यह शोध पत्र एक डेटा-कुशल, व्यवधान-आधारित (perturbation-based) कॉन्फॉर्मल प्रेडिक्शन फ्रेमवर्क प्रस्तावित करता है जो डेटा-दुर्लभ परिदृश्यों में 2D इनकंप्रेसिबल नेवियर-स्टोक्स समाधानों के लिए कैलिब्रेटेड अनिश्चितता बैंड उत्पन्न करने हेतु एक प्रशिक्षित फूरियर न्यूरल ऑपरेटर को लपेटता है, जो लक्षित कवरेज बनाए रखते हुए मौजूदा विधियों की तुलना में संकीर्ण प्रेडिक्शन इंटरवल प्राप्त करता है।
यह शोध पत्र कई डेटासेट्स पर वॉइस स्पूफिंग डिटेक्शन के लिए विभिन्न सेल्फ-सुपरवाइज्ड फीचर एक्सट्रैक्टर्स और क्लासिफायर का बेंचमार्किंग करता है, जो यह प्रकट करता है कि ASVspoof 5 में डोमेन बायस के कारण नैव डेटा स्केलिंग प्रदर्शन को कम करती है, जबकि यह प्रदर्शित करता है कि न्यूनतम टार्गेट-लैंग्वेज डेटा के साथ फाइन-ट्यूनिंग क्रॉस-लिंग्विस्टिक रोबस्टनेस को महत्वपूर्ण रूप से बढ़ाती है।