22775 पेपर
यह शोध पत्र AugMask को प्रस्तुत करता है, जो एक प्लग-एंड-प्ले प्रशिक्षण ढांचा है जो मानक स्कोर-आधारित डिफ्यूजन मॉडल को अनिश्चित कंडिशनिंग कॉन्टेक्स्ट के रूप में लुप्त मानों को भरने के लिए स्टोकेस्टिक ऑग्मेंटेशन का उपयोग करके और केवल प्रेक्षित निर्देशांकों तक डिनोइजिंग सुपरविजन को प्रतिबंधित करके प्रभावी रूप से अपूर्ण सारणीबद्ध डेटा उत्पन्न करने में सक्षम बनाता है।
यह शोध पत्र अमोर्टाइज्ड फिजिक्स-इन्फॉर्म्ड कैलिब्रेशन (APIC) प्रस्तुत करता है, जो न्यूरल प्रोसेसिस का लाभ उठाने वाला एक स्केलेबल फ्रेमवर्क है ताकि जनसंख्या-स्तर पर बेयसियन इन्फरेंस किया जा सके जो अनसीन रियलाइजेशन के माध्यम से मिसस्पेसिफाइड मैकेनिज्म वाले फिजिक्स मॉडल्स के तीव्र कैलिब्रेशन को सक्षम करने के लिए इंस्टेंस-विशिष्ट मापदंडों को साझा संरचनात्मक विसंगतियों से अलग करता है।
यह शोध पत्र प्रकट करता है कि उच्च प्रदर्शन करने वाले नॉलेज ग्राफ एम्बेडिंग मॉडल रैंडम सीड्स और हाइपरपैरामीटर कॉन्फ़िगरेशन के बीच महत्वपूर्ण अस्थिरता से ग्रस्त हैं, जो वर्तमान रैंक-आधारित मूल्यांकन मेट्रिक्स की विश्वसनीयता और लिंक प्रेडिक्शन परिणामों की मजबूती को चुनौती देते हैं।
यह शोध पत्र गॉसियन ट्रस्ट रीजन पॉलिसी ऑप्टिमाइज़ेशन (GTR) को प्रस्तुत करता है, जो एक नवीन एल्गोरिदम है जो एक गॉसियन-रीशेप्ड, नॉन-मोनोटोनिक ट्रस्ट रीजन और प्रभावी व्यवहारिक संक्रमणों को सक्षम करने के लिए एक मिक्सचर गॉसियन एंकर का उपयोग करके गैर-स्थिर (non-stationary) वातावरण में PPO की सीमाओं को दूर करता है और स्थानीय स्थिरता बनाए रखता है।
यह शोध पत्र हेसियन-अवेयर राउटर कैलिब्रेशन (HARC) को प्रस्तुत करता है, जो एक ट्रेनिंग-फ्री फ्रेमवर्क है जो मर्ज किए गए राउटरों को पुनर्गठित करने के लिए सेकंड-ऑर्डर कर्वेचर जानकारी का उपयोग करता है और 'राउटिंग ब्रेकडाउन' की घटना को प्रभावी ढंग से कम करता है जो मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) मॉडल मर्जिंग में प्रदर्शन में गिरावट का कारण बनती है।
यह शोध पत्र एक हाइब्रिड मैलवेयर वर्गीकरण दृष्टिकोण प्रस्तावित करता है जो API कॉल्स और n-ग्राम के सेकेंडरी फीचर फ्यूजन को वोटिंग-आधारित एल्गोरिदम फ्यूजन के साथ जोड़ता है, जिससे माइक्रोसॉफ्ट डेटासेट पर उच्च सटीकता और दक्षता प्राप्त होती है।
यह शोध पत्र टोपोलॉजी-अवेयर गॉसियन रिपेयर (TAGR) का प्रस्ताव करता है, जो एक हल्का ढांचा (लाइटवेट फ्रेमवर्क) है जो जटिल संरचना शिक्षण की आवश्यकता के बिना शोर वाले और लुप्त किनारों को प्रभावी ढंग से संबोधित करने के लिए एडेप्टिव गॉसियन कर्नेल-आधारित फीचर-नेबरहुड एज एडिशन को टोपोलॉजी-अवेयर रेसिडुअल करेक्शन के साथ जोड़कर ग्राफ न्यूरल नेटवर्क की मजबूती को बढ़ाता है।
यह शोध पत्र डेंस और MoE आर्किटेक्चर में पोस्ट-ट्रेनिंग LLM संपीड़न के लिए टेंसर डिकम्पोज़िशन का व्यवस्थित रूप से मूल्यांकन करता है, जो इन विधियों द्वारा अनुमानित साझा सबस्पेस और आधुनिक मॉडलों के विषम निरूपणों के बीच एक मौलिक बेमेल को प्रकट करता है, जिससे उनके व्यावहारिक सीमाओं और बड़े पैमाने पर परिनियोजन में व्यवहार्य भूमिका को स्पष्ट किया जा सके।
यह शोध पत्र निरंतर क्रमपरिवर्तन समरूपता (permutation symmetry) और पहचान-समान मिश्रण (identity-like mixing) के कारण हाइपर-कनेक्शन आर्किटेक्चर द्वारा कई अवशिष्ट धाराओं (residual streams) का प्रभावी ढंग से उपयोग करने में विफलता की जांच करता है, जो यह प्रकट करता है कि सूचना एक एकल प्रमुख धारा में केंद्रित हो जाती है, और यह प्रदर्शित करता है कि इनिशियलाइजेशन के दौरान समरूपता को तोड़ना इस पतन को कम करने के लिए सुधार करता है जिससे मॉडल का प्रदर्शन बेहतर होता है।
यह शोध पत्र प्रकट करता है कि टेक्सचर-ड्रिवन विजुअल लर्निंग मॉडल लो-फ्रीक्वेंसी शॉर्टकट्स से ग्रस्त होते हैं जो सूक्ष्म विवरणों के बजाय तिरछे स्पेक्ट्रल घटकों पर निर्भर करते हैं, और यह प्रदर्शित करता है कि इन लो-फ्रीक्वेंसी फीचर्स को प्रून करने से इन-डिस्ट्रीब्यूशन सटीकता और लो-फ्रीक्वेंसी करप्शन के प्रति मजबूती में सुधार होता है, जबकि यह हाई-फ्रीक्वेंसी मजबूती के लिए एक ट्रेड-ऑफ पेश करता है।