22775 पेपर
यह शोध पत्र एक लॉस-गाइडेड न्यूरल डेंसिफिकेशन (LG-ND) एल्गोरिदम प्रस्तुत करता है जो व्यवस्थित रूप से ACOPF मैनिफोल्ड्स का सटीक रूप से अनुमान लगाने के लिए आवश्यक न्यूनतम न्यूरल नेटवर्क चौड़ाई निर्धारित करता है, जिससे सुरक्षा-महत्वपूर्ण औपचारिक सत्यापन (formal verification) को सुगम बनाने के लिए मौजूदा बेसलाइनों की तुलना में दस गुना कम न्यूरॉन्स का उपयोग करते हुए भी समान प्रदर्शन प्राप्त किया जा सकता है।
यह शोध पत्र एक विच्छेदित (decoupled), हल्का LLM ढांचा प्रस्तुत करता है जो मौजूदा मॉडलों की तुलना में काफी कम मापदंडों के साथ अत्याधुनिक स्मार्ट कॉन्ट्रैक्ट सुरक्षा ऑडिटिंग प्रदर्शन प्राप्त करने के लिए डिस्टिलेशन, रैंक-स्टेबलाइज्ड लो-रैंक एडेप्टर्स और एक कस्टम चेन-ऑफ-वेरिफिकेशन एग्रीगेशन रणनीति का उपयोग करता है।
यह शोध पत्र फ्रंटियर मॉडल्स का उपयोग करके कठिन नेगेटिव उदाहरणों को संश्लेषित करने के माध्यम से छोटे कोड मॉडल्स में 'फिल-इन-द-मिडल' (Fill-in-the-Middle) मतिभ्रम (hallucinations) को कम करने के लिए एक निष्पादन-मुक्त (execution-free) दृष्टिकोण प्रस्तावित करता है, जो मानव लेबल या निष्पादन सैंडबॉक्स की आवश्यकता के बिना, सुपरवाइज्ड फाइन-ट्यूनिंग के लिए उपयोग किए जाने पर, कई भाषाओं और बेंचमार्क में प्रदर्शन में महत्वपूर्ण सुधार करता है।
FederatedSkill एक गोपनीयता-संरक्षित ढांचा है जो कच्चे प्रक्षेप पथों (raw trajectories) के बजाय सिमेंटिक स्किल पैच को एकत्रित करके सहयोगात्मक एजेंट विकास को सक्षम बनाता है, जिससे व्यक्तिगत स्किल लाइब्रेरी अपडेट संभव होते हैं जो आइसोलेटेड सेल्फ-इम्प्रूवमेंट बेसलाइन्स की तुलना में कार्य सफलता दरों में उल्लेखनीय सुधार करते हैं और कम्प्यूटेशनल लागत को कम करते हैं।
यह शोध पत्र FinStressTS को प्रस्तुत करता है, जो 30 नैदानिक वातावरणों वाला एक पैरामीट्रिक सिंथेटिक बेंचमार्क है जो वित्तीय समय-श्रृंखला पूर्वानुमान प्रदर्शन को विशिष्ट संरचनात्मक तंत्रों से जोड़ता है, यह प्रकट करता है कि शास्त्रीय मॉडल अक्सर अस्थिर या जंप-संचालित सेटिंग्स में ट्रांसफॉर्मर्स से बेहतर प्रदर्शन करते हैं और वितरण संरेखण (distributional alignment) एवं डेटा दक्षता के बीच के समझौतों पर प्रकाश डालता है।
यह अध्ययन प्रदर्शित करता है कि डिफरेंशिएबल फाइनाइट एलीमेंट मेथड (DiffFEM), एफडब्ल्यूडी (FWD) इनवर्स विश्लेषण में फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINNs) की तुलना में बेहतर प्रदर्शन करता है, क्योंकि यह मल्टीलेयर पेवमेंट सिस्टम में निहित तीक्ष्ण विच्छेदन (sharp discontinuities) और शोर संवेदनशीलता (noise sensitivity) को संभालने में अधिक सटीक, स्थिर और गणनात्मक रूप से कुशल परिणाम प्रदान करता है।
यह शोध पत्र DiffBCP प्रस्तुत करता है, जो एक बेयसियन टेंसर अपघटन ढांचा (Bayesian tensor decomposition framework) है जो स्वचालित रैंक चयन के लिए संचयी संकुचन प्रक्रिया (cumulative shrinkage process) के साथ एक पूर्व-प्रशिक्षित डिफ्यूजन मॉडल को डेटा प्रायोर (data prior) के रूप में एकीकृत करता है, और सुलभ अनुमान सक्षम करने के लिए एक स्प्लिट गिब्स सैंपलर (split Gibbs sampler) का उपयोग करता है और गंभीर भ्रष्टाचार (severe corruption) के तहत इमेज इनपेंटिंग और डिनोइज़िंग में उत्कृष्ट प्रदर्शन प्राप्त करता है।
यह अध्ययन इस बात का मूल्यांकन करता है कि प्रशिक्षण डेटा में जनसांख्यिकीय पूर्वाग्रह ResNet मॉडल का उपयोग करके त्वचा के घावों के वर्गीकरण को कैसे प्रभावित करते हैं, जिसमें यह पाया गया है कि जबकि लिंग-आधारित प्रदर्शन अंतराल डेटा असंतुलन से उत्पन्न होते हैं और विशिष्ट शिक्षण रणनीतियों द्वारा कम किए जा सकते हैं, आयु-आधारित पूर्वाग्रह डेटा वितरण के बावजूद लगातार युवा रोगियों के पक्ष में रहते हैं, जो लक्षित शमन दृष्टिकोणों की आवश्यकता को रेखांकित करते हैं।
यह शोध पत्र रैन्डम मैट्रिक्स थ्योरी का उपयोग करते हुए एक सैद्धांतिक ढांचा स्थापित करता है ताकि लीनियर रिग्रेशन में चेन-ऑफ-थॉट रीजनिंग के जनरलाइजेशन एरर के लिए एक सटीक सूत्र प्राप्त किया जा सके, जो रीजनिंग डेप्थ, प्रीट्रेनिंग डेटा और कॉन्टेक्स्ट लेंथ के बीच परस्पर क्रिया पर निर्भर करते हुए घातांकीय सुधार (exponential improvement) और ओवरथिंकिंग के बीच एक तीव्र चरण संक्रमण (sharp phase transition) को प्रकट करता है।
यह अध्ययन प्रकट करता है कि 16 अफ्रीकी भाषाओं में नेचुरल लैंग्वेज इन्फरेंस के लिए लेबल किए गए डेटा को बढ़ाना निरंतर प्रदर्शन लाभ की गारंटी नहीं देता है, क्योंकि परिणाम अक्सर गैर-एकदिष्ट (non-monotonic), भाषा-विशिष्ट स्केलिंग व्यवहार प्रदर्शित करते हैं जिनके लिए अनुकूलित डेटासेट निर्माण और उन्नत बहुभाषी मॉडलिंग रणनीतियों की आवश्यकता होती है।