22578 पेपर
यह शोध पत्र तर्क देता है कि फाउंडेशन मॉडल्स के लिए लागत-बचत अनुसंधान रणनीतियाँ, जैसे कि प्रॉक्सी प्रयोग और अवलोकनात्मक अध्ययन, विशिष्ट वैधता खतरों को पेश करती हैं जिन्हें अनुभवजन्य सामाजिक विज्ञानों से अनुकूलित एक प्रस्तावित कारण अनुमान (कॉज़ल इन्फरेंस) ढांचे के माध्यम से व्यवस्थित रूप से पहचाना और प्रबंधित किया जा सकता है।
यह शोध पत्र ऑटोएन्कोडर्स को स्टेट-स्पेस डायनेमिक्स के साथ एक साथ प्रशिक्षित करके कंट्रोल-एफिन रेड्यूस्ड-ऑर्डर मॉडल्स की पहचान करने के लिए एक फ्रेमवर्क प्रस्तुत करता है, जो बेहतर सटीकता के लिए अनुक्रम-आधारित (sequence-based) मॉडल्स तक इस दृष्टिकोण का विस्तार करता है, और फीडबैक लीनियराइजेशन एवं नियंत्रण कार्यों के माध्यम से इसकी प्रभावशीलता को प्रमाणित करता है।
यह शोध पत्र RIDE को प्रस्तुत करता है, जो बेल्जियम रेलवे नेटवर्क पर ट्रेन विलंब की भविष्यवाणी के लिए एक बड़े पैमाने का ओपन डेटासेट और मानकीकृत बेंचमार्क है, जो पहला व्यापक तुलनात्मक मूल्यांकन सुलभ कराता है जो यह दर्शाता है कि ग्राफ न्यूरल नेटवर्क गैर-लर्निंग मॉडलों से बेहतर प्रदर्शन करते हैं और विभिन्न पूर्वानुमान व्यवस्थाओं (forecasting regimes) में विस्तृत विश्लेषण को सक्षम करते हैं।
यह शोध पत्र Diff-Joint को प्रस्तुत करता है, जो एक अनिश्चितता-जागरूक (uncertainty-aware) डिफ्यूजन फ्रेमवर्क है जो अर्थपूर्ण रूप से लुप्त प्रविष्टियों और अवलोकन-आधारित अंतराल के बीच अंतर करके चयनात्मक प्रतिस्थापन (selective imputation) की समस्या का समाधान करता है, जिससे डाउनस्ट्रीम टास्क प्रदर्शन में सुधार करने के लिए यह संयुक्त रूप से अनुमान लगाया जाता है कि किन मूल्यों को संरक्षित करना है और किन्हें पुनः प्राप्त करना है।
यह शोध पत्र रोमन स्पेस टेलीस्कोप के RAPID पाइपलाइन के भीतर वास्तविक खगोलीय क्षणिक घटनाओं (transients) को अवास्तविक संसूचनाओं (spurious detections) से अलग करने के लिए RuBR मशीन लर्निंग मॉडल और एक संगत कार्यप्रणाली प्रस्तुत करता है, जो मिशन के आगामी प्रक्षेपण की तैयारी हेतु सिम्युलेटेड डेटा का उपयोग करके प्रभावी रियल-बोगस वर्गीकरण रणनीतियों का प्रदर्शन करता है।
RePercENT एक स्व-पर्यवेक्षित (self-supervised), प्लग-एंड-प्ले फ्रेमवर्क है जो संयुक्त पूर्व-प्रशिक्षण (joint pre-training) की आवश्यकता के बिना पूर्व-निकाले गए एम्बेडिंग्स पर कार्य करके दो से अधिक मोडैलिटीज में विलगित प्रतिनिधित्व शिक्षण (disentangled representation learning) को सक्षम करने के लिए मौजूदा विधियों की स्केलेबिलिटी सीमाओं को दूर करता है।
यह शोध पत्र ग्राफ सेट ट्रांसफॉर्मर (GST) को प्रस्तुत करता है, जो एक ऐसा न्यूरल आर्किटेक्चर है जो स्थानीय संरचनात्मक और सेट-व्यापी संदर्भ की आवश्यकता वाले कार्यों पर मौजूदा विधियों से बेहतर प्रदर्शन करने के लिए एक गेटिंग मैकेनिज्म के माध्यम से नोड-स्तरीय फीचर प्रोपेगेशन को क्रॉस-ग्राफ कॉन्टेक्स्टुअल मॉडलिंग के साथ इंटरलीव करता है।
यह शोध पत्र एक पृथक दृष्टिकोण पेश करके मानक 3D गॉसियन स्प्लेटिंग की सटीक ज्यामिति और उच्च-गुणवत्ता वाली उपस्थिति को एक साथ प्रदर्शित करने की अंतर्निहित सीमा को संबोधित करता है, जो एक समर्पित ज्यामिति ओपेसिटी पैरामीटर जोड़ता है, जिसके परिणामस्वरूप बेहतर रेंडरिंग और ज्यामितीय पुनर्निर्माण होता है, विशेष रूप से पारदर्शी वस्तुओं वाले जटिल दृश्यों के लिए।
यह शोध पत्र AgentMob का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त (training-free) LLM-संचालित एजेंट फ्रेमवर्क है जो अस्पष्ट मामलों को हल करने के लिए पुनरावृत्ति टूल उपयोग (iterative tool use) के माध्यम से अनुकूल रूप से साक्ष्य एकत्र करके व्यक्तिगत-स्तर के गतिशीलता पूर्वानुमान (mobility prediction) को बढ़ाता है, और कई डेटासेटों में प्रशिक्षण-मुक्त विधियों के बीच अत्याधुनिक प्रदर्शन प्राप्त करता है।
यह शोध पत्र लार्ज लैंग्वेज मॉडल्स में इन-कॉन्टेक्स्ट उदाहरणों के चयन के लिए MLP एक्टिवेशन-आधारित संकेतों के उपयोग की क्षमता की जांच करता है, लेकिन यह निष्कर्ष निकालता है कि कार्य प्रदर्शन के साथ सहसंबंध की कमी के कारण ऐसी विधियाँ अप्रभावी हैं, और यह सुझाव देता है कि भविष्य के शोध को सुपरपोजिशन की अंतर्निहित समस्या को संबोधित करने के लिए स्पार्स ऑटोएनकोडर जैसी तकनीकों का अन्वेषण करना चाहिए।