22512 पेपर
यह शोध पत्र एक स्पार्स मिक्स्चर-ऑफ-एक्सपर्ट्स (MoE) रिवॉर्ड मॉडल प्रस्तावित करता है जो बाइनरी प्रेफरेंस डेटा से व्याख्या योग्य और विशिष्ट विशेषज्ञों को सीखने के लिए, बिना किसी अतिरिक्त एनोटेशन लागत के, मानव प्राथमिकता विविधता को प्रभावी ढंग से कैप्चर करने और व्यक्तिगत संरेखण को बढ़ाने के लिए है।
LazyAttention एक नवीन अटेंशन मैकेनिज्म पेश करता है जो डिफ़र्ड पोजीशनल एनकोडिंग को कर्नलइज़ करता है ताकि KV कैश का ज़ीरो-कॉपी, पोजीशन-अग्नोस्टिक पुन: उपयोग सक्षम किया जा सके, जो आउटपुट की गुणवत्ता से समझौता किए बिना RAG जैसे लॉन्ग-कॉन्टेक्स्ट अनुप्रयोगों में इंफरेंस थ्रूपुट और टाइम-टू-फर्स्ट-टोकन में महत्वपूर्ण सुधार करता है।
यह शोध पत्र एक लीनियर बैंडिट एल्गोरिदम का प्रस्ताव करता है जो प्रारंभिक ऑफलाइन डेटा का लाभ उठाते हुए और धीरे-धीरे अन्वेषण (exploration) को बढ़ाते हुए ऑफलाइन और ऑनलाइन लर्निंग के बीच प्रभावी ढंग से संतुलन बनाता है, जिससे इष्टतम क्रिया (optimal action) के सापेक्ष उप-रैखिक (sublinear) रिग्रेट प्राप्त होता है और ऑफलाइन नमूनों में वृद्धि के साथ प्रदर्शन में सुधार होता है।
यह शोध पत्र फोल्डेड ट्रांसपोर्ट एम.सी.एम.सी. (FolT-MCMC) को प्रस्तुत करता है, जो एक नवीन विधि है जो एक सिमेट्राइज्ड नॉर्मलाइजिंग फ्लो प्रपोजल का निर्माण करके सिमेट्रिक मॉडल्स के कोटिएंट पोस्टीरियर पर सीधे बेयसियन इन्फरेंस करती है, जिससे लेबल-स्विचिंग मल्टीमोडैलिटी को दूर करने के लिए विभिन्न आयामों और वास्तविक दुनिया के अनुप्रयोगों में काफी बेहतर और प्रमाणित अभिसरण (convergence) प्राप्त होता है।
यह शोध पत्र Latte प्रस्तुत करता है, जो एक ब्लैक-बॉक्स परीक्षण ढांचा है जो विविध, अर्थपूर्ण रूप से निकटवर्ती और दोष-प्रकट करने वाले टेस्ट केस उत्पन्न करने के लिए एक प्री-ट्रेंड VQ-VAE और एंकर-ड्रिवन लेटेंट स्पेस म्यूटेशन का लाभ उठाता है, जो प्रभावी रूप से एक्सप्लोरेशन कंट्रोलेबिलिटी, फेलियर डाइवर्सिटी और सिमेंटिक ड्रिफ्ट के बीच मौजूदा समझौतों पर विजय प्राप्त करता है।
यह शोध पत्र BayesWarp का परिचय देता है, जो एक नवीन परीक्षण ढांचा (framework) है जो व्याख्या योग्य सैलिएंसी तकनीकों (saliency techniques) को अनिश्चितता-जागरूक बेयस अनुकूलन (uncertainty-aware Bayesian Optimization) के साथ जोड़ता है ताकि विविध और अर्थपूर्ण रूप से प्रशंसनीय न्यूरल नेटवर्क विफलताओं को कुशलतापूर्वक खोजा जा सके, जिससे लक्षित फाइन-ट्यूनिंग के माध्यम से मॉडल की विश्वसनीयता और प्रदर्शन को बढ़ाया जा सके।
यह शोध पत्र ParDef पेश करता है, जो एक सामान्यीकृत रक्षा ढांचा (generalized defense framework) है जो कीड चैनल रीपैरामीट्राइजेशन (keyed channel reparameterization), QC-LDPC क्वांटाइजेशन और एडेप्टिव रोबस्ट इन्फरेंस को जोड़ता है ताकि उच्च मॉडल प्रदर्शन और मध्यम परिनियोजन ओवरहेड बनाए रखते हुए विविध, अप्रत्याशित पैरामीटर हमलों के विरुद्ध डीप न्यूरल नेटवर्क को प्रभावी ढंग से सुरक्षित किया जा सके।
यह शोधपत्र कॉन्सेप्ट बॉटलनैक मॉडल्स के लिए सिंथेटिक बेंचमार्क प्रस्तुत करता है जो निर्णय समर्थन और स्वचालन में उनके प्रदर्शन का मूल्यांकन करने के लिए नियंत्रणीय लेबल वाले डेटासेट उत्पन्न करते हैं, जिससे वास्तविक दुनिया के कॉन्सेप्ट लेबल की कमी को दूर किया जा सके और विफलता के मोड (failure modes) का निदान किया जा सके।
यह अध्ययन मल्टी-सेंटर सेप्सिस के शीघ्र पूर्वानुमान के लिए एक हॉरिजॉन्टल फेडरेटेड लर्निंग फ्रेमवर्क की व्यावहारिकता और सुरक्षा को प्रमाणित करता है, जो यह प्रदर्शित करता है कि यह कच्चे रोगी डेटा को साझा किए बिना गोपनीयता रिसाव को प्रभावी ढंग से रोकने और डेटा पुनर्निर्माण हमलों का प्रतिरोध करने के साथ-साथ सेंट्रलाइज्ड ट्रेनिंग के तुलनीय सटीकता प्राप्त करता है।
यह शोध पत्र एक साहित्य-निर्देशित मिनिमैक्स अनुकूलन ढांचे (minimax optimization framework) को प्रस्तुत करता है जो मजबूत, रोगी-विशिष्ट मिर्गी न्यूरोस्टिम्यूलेशन प्रोटोकॉल डिजाइन करने के लिए पबमेड-स्तर के परिकल्पना निष्कर्षण (PubMed-scale hypothesis extraction), द वर्चुअल ब्रेन सिमुलेशन और लार्ज-लैंग्वेज-मॉडल-निर्देशित ब्लैक-बॉक्स अनुकूलन को एकीकृत करता है, जो अंतर्निहित मॉडल नियंत्रण के लिए सबसे खराब स्थिति के परिणामों में 39.8% का महत्वपूर्ण सुधार प्रदर्शित करता है, जबकि वर्चुअल कोहॉर्ट्स में बाहरी उत्तेजना (external stimulation) के लिए ऐसे लाभों को अनुवादित करने की चुनौतियों को रेखांकित करता है।