19863 पेपर
यह शोध पत्र एक लर्निंग-आधारित एंसेट (ansatz) प्रस्तावित करता है जो वेरिएशनल समस्याओं के लिए सीमा स्थितियों (boundary conditions) को स्वाभाविक रूप से संतुष्ट करता है, जिससे दंड पदों (penalty terms) की आवश्यकता समाप्त हो जाती है और अनुकूलन स्थिरता एवं सटीकता सुनिश्चित करने के लिए कठोर सोबोलेव नॉर्म (Sobolev norm) गारंटी प्रदान की जाती है।
यह शोध पत्र एक नई निष्पक्ष पर्यवेक्षित शिक्षण (supervised learning) रणनीति प्रस्तावित करता है जो अन्याय के मापों के लिए एक नवीन सुचारू गैर-उत्तल (smooth nonconvex) सरोगेट पर कठोर बाधाओं का उपयोग करती है, जिससे नियमितीकरण-आधारित दृष्टिकोणों से जुड़ी ट्यूनिंग की कठिनाइयों और अनुकूलन चुनौतियों के बिना कई निष्पक्षता सहनशीलता को सुलभ रूप से लागू करना सक्षम होता है।
यह शोध पत्र एक सामान्य इंटरेक्शन लेयर फ्रेमवर्क और एक मॉडल-आधारित एक्टर-क्रिटिक विद डिले अडैप्टेशन (ACDA) एल्गोरिदम प्रस्तुत करता है जो सुदृढीकरण शिक्षण (रिनफोर्समेंट लर्निंग) एजेंटों को अदृश्य, समय-परिवर्तनीय विलंब (डिली) और पैकेट लॉस के प्रति गतिशील रूप से अनुकूल होने में सक्षम बनाता है, जो लोकोमोशन बेंचमार्क में मौजूदा विधियों से काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र मानक MCMC एल्गोरिदम (RWM, MALA, और Manifold MALA) के गॉसियन अपरिवर्तनीय (Gaussian invariant) वेरिएंट पेश करता है जो कुशल कंट्रोल वेरिएट्स (control variates) का निर्माण करने के लिए गॉसियन लक्ष्यों (Gaussian targets) हेतु पॉइसन समीकरण (Poisson equation) के सटीक विश्लेषणात्मक समाधानों का लाभ उठाते हैं, जिससे बेहतर सांख्यिकीय दक्षता, ज्यामितीय एर्गोडिसिटी (geometric ergodicity), और उच्च-आयामी लेटेंट गॉसियन मॉडलों में अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र CUDA-L1 प्रस्तुत करता है, जो एक कंट्रास्टिव रीइन्फोर्समेंट लर्निंग फ्रेमवर्क है जो शुरू में कम प्रदर्शन करने वाले LLM को एक अत्यधिक प्रभावी स्वचालित CUDA ऑप्टिमाइज़र में बदल देता है, जिससे बिना किसी मानवीय विशेषज्ञता की आवश्यकता के विविध बेंचमार्क और GPU आर्किटेक्चर में महत्वपूर्ण गति (speedups) प्राप्त होती है।
ऑप्टिग्रेडट्रस्ट (OptiGradTrust) एक नवीन बायज़ेंटाइन-रोबस्ट (Byzantine-robust) फेडरेटेड लर्निंग फ्रेमवर्क है जो विविध हमले के परिदृश्यों के तहत विषम चिकित्सा डेटा वातावरण में बेहतर सटीकता और अभिसरण प्राप्त करने के लिए सुदृढीकरण शिक्षण-आधारित ट्रस्ट वेटिंग (reinforcement learning-based trust weighting) और एक हाइब्रिड FedBN-Prox तंत्र के साथ छह-आयामी ग्रेडिएंट फिंगरप्रिंट को एकीकृत करता है।
यह शोध पत्र funOCLUST का प्रस्ताव करता है, जो OCLUST एल्गोरिदम का एक सुदृढ़ विस्तार है जिसे कार्यात्मक डेटा (functional data) को क्लस्टर करने और अनंत आयामीता (infinite dimensionality) एवं विसंगतियों के प्रति संवेदनशीलता की चुनौतियों का समाधान करते हुए प्रभावी ढंग से आउटलेर्स (outliers) की पहचान करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र CRINN प्रस्तुत करता है, जो एक नया प्रतिमान (paradigm) है जो सटीकता बनाए रखते हुए निष्पादन गति (execution speed) के लिए अनुकूलित करके उच्च-प्रदर्शन वाले अनुमानित निकटतम पड़ोसी खोज (approximate nearest neighbor search) एल्गोरिदम को स्वचालित रूप से उत्पन्न करने के लिए कंट्रास्टिव रीइन्फोर्समेंट लर्निंग का लाभ उठाता है, जो कई बेंचमार्क पर अत्याधुनिक परिणाम प्राप्त करता है और जटिल एल्गोरिद्मिक अनुकूलन के लिए LLMs की क्षमता को प्रदर्शित करता है।
यह शोधपत्र डिफ्यूजन मॉडल्स को प्रशिक्षित करने के लिए एक 'लाइकलीहुड मैचिंग' (Likelihood Matching) दृष्टिकोण प्रस्तावित करता है जो स्कोर और हेसियन फलनों (Hessian functions) का अनुमान लगाने के लिए गॉसियन क्वासी-लाइकलीहुड्स (Gaussian quasi-likelihoods) के माध्यम से रिवर्स ट्रांजिशन डेंसिटीज का सन्निकटन करता है, जिससे गैर-अनंतस्पर्शी अभिसरण गारंटी (non-asymptotic convergence guarantees) स्थापित होती है और अनुभवजन्य मूल्यांकन के माध्यम से प्रभावशीलता प्रदर्शित होती है।
यह शोधपत्र EmbedOR प्रस्तुत करता है, जो एक प्रुवेबल (provable) स्टोकेस्टिक नेबर एम्बेडिंग एल्गोरिदम है जो अंतर्निहित क्लस्टर संरचनाओं को संरक्षित करने और UMAP एवं t-SNE जैसी विधियों में अक्सर देखी जाने वाली निरंतर उच्च-घनत्व वाले क्षेत्रों के मिथ्या विखंडन (spurious fragmentation) को रोकने के लिए डिस्क्रीट ग्राफ कर्वेचर को समाहित करता है।