19863 पेपर
यह शोध पत्र फोटोअकूस्टिक टोमोग्राफी के लिए आंशिक रेडियल सेटअप में सर्कुलर रेडोन ट्रांसफॉर्म्स को प्रभावी ढंग से इनवर्ट करने के लिए एक ResBlock U-Net का उपयोग करने वाला एक डीप लर्निंग-आधारित एल्गोरिदम प्रस्तावित करता है, जो पारंपरिक ट्रंकेटेड सिंगुलर वैल्यू डिकम्पोजिशन विधियों की गंभीर आर्टिफैक्ट्स और सीमाओं को दूर करता है।
यह शोध पत्र यह प्रदर्शित करता है कि वैश्विक रूप से भ्रमित (globally confounded) कारण संरचनाओं को, जिनमें मनमानी संरचनात्मक समीकरण और शोर फलन (noise functions) हो सकते हैं, विषम जनसंख्या डेटा से उन क्षणिक आवर्त मैट्रिसेस (moment matrices) में चरों को संकलित करके पहचाना जा सकता है जिनके रैंक अंतर्निहित ग्राफ़िकल गुणों को प्रकट करते हैं, बशर्ते कि गुप्त वर्गों (latent classes) की संख्या ग्राफ के आकार और विरलता (sparsity) के सापेक्ष कम हो।
यह शोध पत्र XAMI को प्रस्तुत करता है, जो 1,000 हस्त-चिह्नित (hand-annotated) XMM-Newton ऑप्टिकल मॉनिटरिंग छवियों का एक बेंचमार्क डेटासेट है, और खगोलीय अवलोकनों में प्रकाश-परावर्तन आर्टिफैक्ट्स (light-reflection artefacts) के स्वचालित पता लगाने और मास्किंग के लिए एक हाइब्रिड CNN-ट्रांसफॉर्मर इंस्टेंस सेगमेंटेशन विधि का प्रदर्शन करता है।
यह शोध पत्र डिसेंटैंगल्ड अनसुपरवाइज्ड स्किल डिस्कवरी (DUSDi) का प्रस्ताव करता है, जो एक म्यूचुअल-इन्फॉर्मेशन-आधारित ऑब्जेक्टिव और वैल्यू फैक्टराइजेशन के माध्यम से पुन: प्रयोज्य, फैक्टर-विशिष्ट कौशल सीखने की एक नवीन विधि है, जो डाउनस्ट्रीम पदानुक्रमित सुदृढीकरण शिक्षण (hierarchical reinforcement learning) कार्यों को कुशलतापूर्वक हल करने में मौजूदा दृष्टिकोणों से काफी बेहतर प्रदर्शन करती है।
यह शोध पत्र यह स्थापित करता है कि DDIM और DDPM दोनों सैंपलर, परिवेशी आयाम (ambient dimension) के बजाय लक्षित वितरण की अंतर्निहित निम्न-आयामी संरचना पर निर्भर त्वरित अभिसरण दरएं (accelerated convergence rates) प्राप्त करते हैं, जो DDIM-प्रकार के सैंपलर के लिए इस अनुकूलनशीलता का पहला कठोर प्रमाण प्रदान करता है और कर्नेल-आधारित अनुमानकों (kernel-based estimators) के माध्यम से सीखे गए स्कोर फलनों (learned score functions) वाले परिवेशों में इन गारंटियों का विस्तार करता है।
यह शोध पत्र TMO को प्रस्तुत करता है, जो एक डिवाइस-क्लाउड सहयोगात्मक LLM इन्फरेंस सिस्टम है जो मल्टी-मोडल, मल्टी-टास्क और मल्टी-टर्न बातचीत के बीच ऑफलोडिंग निर्णयों को गतिशील रूप से अनुकूलित करने के लिए एक संसाधन-सीमित सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) रणनीति का उपयोग करता है, जिससे ऑन-डिवाइस परिनियोजन की संसाधन सीमाओं और क्लाउड-ओनली समाधानों के संचार ओवरहेड को दूर करते हुए प्रतिक्रिया गुणवत्ता, विलंबता और लागत के बीच संतुलन बनाया जा सके।
यह शोध पत्र SpurLens का परिचय देता है, जो एक स्वचालित पाइपलाइन है जो यह प्रकट करता है कि मल्टीमॉडल लार्ज लैंग्वेज मॉडल्स (MLLMs) महत्वपूर्ण स्प्यूरियस बायस (spurious biases) से ग्रस्त हैं जिससे ऑब्जेक्ट रिकग्निशन की विफलताएं और एम्प्लीफाइड हैलुसिनेशन (amplified hallucinations) होते हैं, और साथ ही उनकी विश्वसनीयता बढ़ाने के लिए शमन रणनीतियों (mitigation strategies) का भी अन्वेषण करता है।
यह शोध पत्र मानव प्रयास के साथ उनकी तुलना करके एआई (AI) क्षमताओं को मापने के लिए "50%-कार्य-पूर्णता समय क्षितिज" (50%-task-completion time horizon) मीट्रिक प्रस्तुत करता है, जिसमें यह पाया गया है कि फ्रंटियर मॉडल अब उन कार्यों को 50 मिनट में पूरा कर सकते हैं जिन्हें पूरा करने में मनुष्यों को आमतौर पर 50 मिनट लगते हैं, और यह दोगुना होने का रुझान सुझाव देता है कि एआई पांच वर्षों के भीतर महीने भर के सॉफ्टवेयर कार्यों को स्वचालित कर सकता है।
यह शोध पत्र एक कम्प्यूटेशनल मॉडल प्रस्तुत करता है जिसमें न्यूरल नेटवर्क, क्रिया-परिणाम भविष्यवाणी और जैविक रूप से प्रेरित मोटर नियंत्रण शामिल हैं, जो मोबाइल प्रतिमान (मोबाइल पैराडाइम) में शिशु व्यवहार को सफलतापूर्वक दोहराता है, जिसमें अंगों की पसंदीदा गति और विच्छेदन के बाद के विस्फोट (पोस्ट-डिस्कनेक्शन बर्स्ट्स) शामिल हैं, जिससे प्रारंभिक संवेदी-मोटर शिक्षण के अंतर्निहित प्रमुख तंत्रों की पहचान होती है।
यह शोध पत्र PnPBO को प्रस्तुत करता है, जो स्टोकेस्टिक बाइलेवल ऑप्टिमाइज़ेशन के लिए एक प्रमाणित रूप से अभिसारी (provably convergent) प्लग-एंड-प्ले फ्रेमवर्क है, जो एकल-स्तरीय अनुकूलन (single-level optimization) के समान इष्टतम सैंपल कॉम्प्लेक्सिटी प्राप्त करने के लिए विभिन्न स्टोकेस्टिक एस्टिमेटर्स को एकीकृत करता है, जिससे इस खुले प्रश्न का समाधान होता है कि क्या बाइलेवल ऑप्टिमाइज़ेशन एकल-स्तरीय विधियों की दक्षता का मुकाबला कर सकता है।