22775 पेपर
OP-LoRA एक नवीन पैरामीटर-कुशल फाइन-ट्यूनिंग विधि है जो प्रशिक्षण के दौरान LoRA वेट्स की भविष्यवाणी करने के लिए अस्थायी रूप से एक सहायक MLP का उपयोग करती है, जिससे मौजूदा दृष्टिकोणों की तुलना में शून्य अनुमान लागत (inference cost) और अधिक वास्तुशिल्प लचीलापन प्रदान करते हुए अनुकूलन स्थिरता और प्रदर्शन में सुधार होता है।
यह शोधपत्र LeARN को प्रस्तुत करता है, जो एक नवीन सिस्टम आइडेंटिफिकेशन फ्रेमवर्क है जो मेटा-लर्निंग और एक हल्के डीप न्यूरल नेटवर्क का लाभ उठाकर डेटा से बेसिस फंक्शन्स को स्वचालित रूप से सीखने और अनुकूलित करने के लिए, पारंपरिक SINDy विधियों की डोमेन-विशिष्ट ज्ञान संबंधी सीमाओं को पार करते हुए गैररेखीय डायनेमिकल सिस्टम्स के मॉडलिंग में प्रतिस्पर्धी प्रदर्शन प्राप्त करता है।
यह शोध पत्र यह प्रदर्शित करता है कि अंडरसैंपल किए गए असंतुलित डेटा पर प्रशिक्षित ट्री-आधारित मॉडलों को विश्लेषणात्मक रूप से कैलिब्रेट करने से अविश्वसनीय प्रवलता अनुमान और अप्रत्याशित पूर्वाग्रह उत्पन्न होते हैं, और इसके बजाय बीटा कैलिब्रेशन जैसी लर्निंग-आधारित कैलिब्रेशन विधियों के उपयोग का तर्क देता है।
यह शोध पत्र एक प्रशिक्षण-मुक्त, गणनात्मक रूप से कुशल भारित नमूनाकरण (weighted sampling) ढांचे का प्रस्ताव करता है जो प्रीट्रेंड स्कोर-आधारित जनरेटिव मॉडलों को एक हल्के मार्गदर्शन शब्द (guidance term) और एक अनिश्चितता-जागरूक शेड्यूलर के साथ संवर्धित करके उन्हें लाभान्वित करता है, जिससे बिना किसी महंगी पुन: नमूनाकरण (resampling) या हेसियन मूल्यांकन (Hessian evaluations) की आवश्यकता के महत्वपूर्ण गति और अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह स्थिति पत्र तर्क देता है कि एआई (AI) स्थिरता के आर्थिक और सामाजिक आयामों, विशेष रूप से समान संसाधन पहुंच और पर्यावरणीय प्रभाव के बीच के तनाव की उपेक्षा करना, एक वैश्विक एआई हथियारों की दौड़ को बढ़ावा देता है, और वास्तव में टिकाऊ एआई के लिए इन कारकों को सुसंगत बनाने हेतु क्लाइमेट एंड रिसोर्स अवेयर मशीन लर्निंग (CARAML) ढांचे के साथ-साथ एक मार्क्सवादी-प्रेरित विश्लेषण का प्रस्ताव देता है।
यह शोध पत्र तर्क देता है कि ऑटोरेग्रेसिव (autoregressive) और डिफ्यूजन (diffusion) मॉडलों के बीच का पारंपरिक द्वैत भ्रामक है, और इसके बजाय यह प्रस्तावित करता है कि जनरेटिव प्री-ट्रेनिंग को मौलिक एल्गोरिद्मिक सीमाओं को दूर करने के लिए प्रशिक्षण उद्देश्यों का चयन करने से पहले अनुक्रम विस्तार (sequence expansion) और अवस्था परिष्करण (state refinement) के लिए कुशल अनुमान प्रक्रियाओं को डिजाइन करने को प्राथमिकता देनी चाहिए।
यह शोध पत्र GIFT प्रस्तुत करता है, जो एक ऐसा ढांचा है जो ज्यामिति-आधारित इंटरेक्शन ट्रांसफर के लिए फंक्शनल मैप्स और सुचारू पथ निर्माण के लिए स्क्रू इंटरपोलेशन का लाभ उठाकर, रोबोटों को एकल मानव प्रदर्शन से नए ऑब्जेक्ट्स के लिए जटिल हेरफेर कौशल को सामान्य बनाने में सक्षम बनाता है।
यह शोध पत्र राइड-सोर्सिंग वाहन पुनर्संतुलन (रीबैलेंसिंग) के लिए एक स्केलेबल कंस्ट्रेंड मीन-फील्ड सुदृढीकरण शिक्षण (रीइन्फोर्समेंट लर्निंग) दृष्टिकोण प्रस्तावित करता है जो भौगोलिक क्षेत्रों में समान सेवा सुलभता सुनिश्चित करते हुए बड़े बेड़े में आयामीता के अभिशाप (कर्स ऑफ डाइमेंशनैलिटी) को प्रभावी ढंग से संबोधित करता है।
यह शोधपत्र मल्टी-एजेंट रिइन्फोर्समेंट फाइन-ट्यूनिंग (MARFT) प्रस्तुत करता है, जो एक व्यापक ढांचा है जिसमें फ्लेक्स-एमजी (Flex-MG) नामक एक नया मार्कोव गेम फॉर्मूलेशन और एक सार्वभौमिक एल्गोरिद्मिक दृष्टिकोण शामिल है, जिसे लार्ज लैंग्वेज मॉडल-आधारित मल्टी-एजेंट सिस्टम पर रिइन्फोर्समेंट लर्निंग लागू करने की अनूठी चुनौतियों से निपटने के लिए डिज़ाइन किया गया है।
यह शोध पत्र यह स्थापित करता है कि ओजा (Oja) के एल्गोरिदम का एक अनुकूली संकुचित (adaptive compressed) संस्करण, जो प्रति नमूना केवल दो मापों का उपयोग करता है, मुख्य आइजनवेक्टर (principal eigenvector) अनुमान के लिए की अभिसरण दर प्राप्त करता है, जो सूचना-सैद्धांतिक रूप से इष्टतम सिद्ध हुआ है और आयाम की तीन अलग-अलग घातों (powers) में पूर्णतः-अवलोकित (fully-observed), अनुकूली-संकुचित (adaptive-compressed) और गैर-अनुकूली-संकुचित (non-adaptive-compressed) PCA के प्रदर्शन को अलग करके गैर-अनुकूली योजनाओं से काफी बेहतर प्रदर्शन करता है।