22593 पेपर
यह शोध पत्र SeismoGPT को प्रस्तुत करता है, जो एक ट्रांसफॉर्मर-आधारित ऑटोरेग्रेसिव मॉडल है जो भौतिक रूप से बाधित डायनेमिकल कंटीन्यूएशन (dynamical continuation) को सीखकर विविध सिंथेटिक परिदृश्यों में उच्च चरण सुसंगतता (phase coherence) और स्पेक्ट्रल सटीकता प्राप्त करते हुए, टाइम डोमेन में थ्री-कंपोनेंट भूकंपीय तरंगों का सफलतापूर्वक पूर्वानुमान लगाता है।
यह शोध पत्र मार्जिन सेल्फ-करेक्शन (MASC) को प्रस्तुत करता है, जो एक कुशल अनलर्निंग विधि है जो भूलने वाले अनुक्रमों (forget sequences) पर लॉजिट अंतराल (logit gaps) को गतिशील रूप से कम करने के लिए एक ऑनलाइन स्टॉपिंग रूल का उपयोग करती है, जिससे काफी कम कम्प्यूटेशनल लागत के साथ और बिना किसी डाउनस्ट्रीम मूल्यांकन की आवश्यकता के प्रतिस्पर्धी फॉरगेट-रिटेन ट्रेड-ऑफ प्राप्त किया जा सकता है।
यह शोध पत्र उच्च-आयामी नियतात्मक फलनों (deterministic functions) और यादृच्छिक क्षेत्रों (random fields) को प्रभावी ढंग से अनुमानित करने के लिए रेडियल बेसिस फंक्शन्स का उपयोग करते हुए पदानुक्रमित कोलमोगोरोव-आर्नोल्ड नेटवर्क आर्किटेक्चर (RBF-KAN और RBF-SKAN) का प्रस्ताव और सैद्धांतिक रूप से सत्यापन करता है, जो आयाम के अभिशाप (curse of dimensionality) को कम करने और वासरस्टीन-2 मेट्रिक (Wasserstein-2 metric) के तहत अभिसरण प्राप्त करने की उनकी क्षमता को प्रदर्शित करता है।
यह शोधपत्र ऑनलाइन गैर-उत्तल अनुकूलन (non-convex optimization) के लिए एक वक्रता-अनुकूलित फॉलो-द-पर्टर्बड-लीडर (FTPL) एल्गोरिदम प्रस्तुत करता है जो सबसे खराब स्थिति में रिग्रेट प्राप्त करने के लिए पिछले सूचना के आधार पर अपने विक्षोभ पैमाने (perturbation scale) को गतिशील रूप से समायोजित करता है और जब संचयी वक्रता रैखिक रूप से बढ़ती है तो इसे रिग्रेट में सुधार देता है, एक ऐसा ट्रेड-ऑफ जो निचली सीमाओं (lower bounds) के मिलान द्वारा सिद्ध किया गया है।
Fast-dLLM++ एक प्रशिक्षण-मुक्त (training-free), ड्रॉप-इन रिप्लेसमेंट है जो Fast-dLLM की जगह लेता है और विषम टोकन कॉन्फिडेंस प्रोफाइल (heterogeneous token confidence profiles) का लाभ उठाने के लिए फ्रैच प्रोफाइल डिकोडिंग (Fréchet profile decoding) पेश करता है, जिससे पिछले वर्स्ट-केस कॉन्फिडेंस नियमों की तुलना में अधिक समानांतर टोकन को सुरक्षित रूप से कमिट करके समान सटीकता पर 37% तक अधिक थ्रूपुट प्राप्त होता है।
यह शोध पत्र एलएलएम (LLM) सुरक्षा डिटेक्टरों के लिए एक कठोर मूल्यांकन हारनेस पेश करता है जो एक एकल वैश्विक थ्रेशोल्ड के साथ 5-गुना क्रॉस-वैलिडेशन का उपयोग करके प्रति-डेटासेट थ्रेशोल्ड ट्यूनिंग और अज्ञात ऑपरेटिंग पॉइंट्स जैसी व्यवस्थित कमजोरियों को समाप्त करता है, और मजबूत सामान्यीकरण और निष्पक्ष तुलना सुनिश्चित करने के लिए नैदानिकों की एक व्यापक बैटरी का उपयोग करता है।
KForge एक क्रॉस-प्लेटफ़ॉर्म फ्रेमवर्क है जो दो सहयोगी LLM एजेंटों का लाभ उठाकर AI एक्सीलरेटरों के लिए उच्च-प्रदर्शन वाले कर्नेल को पुनरावृत्ति से उत्पन्न और परिष्कृत करता है, जिससे मौजूदा हैंड-ट्यून्ड और कंपाइलर-ऑप्टिमाइज़्ड बेसलाइनों की तुलना में NVIDIA B200 और Intel Arc B580 दोनों हार्डवेयर पर महत्वपूर्ण थ्रूपुट सुधार प्राप्त होता है।
यह शोध पत्र DriftSched प्रस्तुत करता है, जो मल्टी-टेनेंट LLM इन्फरेंस के लिए एक QoS-जागरूक शेड्यूलिंग फ्रेमवर्क है जो रनटाइम टोकन अनुमान त्रुटियों को सुधारने के लिए एक ऑनलाइन फीडबैक तंत्र का उपयोग करता है, यह प्रदर्शित करते हुए कि जबकि एडेप्टिव कैलिब्रेशन अनुमान सटीकता में महत्वपूर्ण सुधार करता है, शॉर्टेस्ट-जॉब-फर्स्ट (SJF) शेड्यूलिंग पॉलिसी एंड-टू-एंड और टेल लेटेंसी में सबसे अधिक कमी लाती है।
यह शोध पत्र ConTraIRL का प्रस्ताव करता है, जो एक ड्यूल-एनकोडर आर्किटेक्चर और कंट्रास्टिव ऑब्जेक्टिव्स का उपयोग करके इन्वर्स रिइन्फोर्समेंट लर्निंग में विश्वसनीय रिवॉर्ड ट्रांसफर प्राप्त करने वाला एक फ्रेमवर्क है, जिससे एनवायरनमेंट डायनेमिक्स और टास्क गोल्स के डिकपल्ड लेटेंट रिप्रेजेंटेशन को सीखने में मदद मिलती है, जो अंततः अनदेखे पेयरिंग्स के लिए प्रभावी कंपोजिशनल जनरलाइजेशन को सक्षम बनाता है।
यह शोध पत्र ग्राफ इंडिपेंडेंस ड्यूल स्क्रीनिंग (GIDS) प्रस्तावित करता है, जो एक नवीन ढांचा है जो क्रॉस-मोडल विश्लेषणों में कम्प्यूटेशनल और व्याख्यात्मक सीमाओं को दूर करने के लिए उच्च-आयामी भविष्यवक्ताओं (predictors) और परिणामों दोनों की आयात्मकता (dimensionality) को एक साथ कम करता है, जैसा कि सिमुलेशन में इसके उत्कृष्ट प्रदर्शन और ADNI डेटा का उपयोग करके अल्जाइमर रोग में नियामक तंत्रों को उजागर करने में इसके अनुप्रयोग द्वारा प्रदर्शित किया गया है।