22898 पेपर
यह शोध पत्र GREAT प्रस्तुत करता है, जो एक नवीन ढांचा है जो RLHF मॉडलों में सामान्यीकरण योग्य बैकडोर हमलों को निष्पादित करने के लिए लेटेंट स्पेस क्लस्टरिंग और क्रोधित प्रॉम्प्ट्स के एक क्यूरेटेड डेटासेट के माध्यम से स्वाभाविक, भावना-जागरूक ट्रिगर्स को संश्लेषित करता है, जिससे वे विशिष्ट उपयोगकर्ता उपसमूहों के लिए हानिकारक प्रतिक्रियाएं उत्पन्न करते हैं जबकि गोपनीयता और उपयोगिता बनाए रखते हैं।
यह शोध पत्र बड़े भाषा मॉडलों (लार्ज लैंग्वेज मॉडल्स) के इन्फरेंस-टाइम सुरक्षा संरेखण (सेफ्टी अलाइनमेंट) के लिए एक मॉडल-स्वतंत्र, ब्लैक-बॉक्स फ्रेमवर्क प्रस्तावित करता है जो सुरक्षा और उपयोगिता के बीच के समझौते को दो-खिलाड़ी शून्य-योग खेल (टू-प्लेयर ज़ीरो-सम गेम) के रूप में तैयार करता है, जिससे हितधारकों को मॉडल एक्सेस या पुनरप्रशिक्षण की आवश्यकता के बिना रैखिक प्रोग्रामिंग (लीनियर प्रोग्रामिंग) के माध्यम से सुरक्षा बाधाओं को लागू करने में सक्षम बनाया जा सके।
यह शोध पत्र प्रदर्शित करता है कि परफॉर्मेटिव लर्निंग में, जहाँ तैनात मॉडलों के जवाब में डेटा वितरण बदल जाता है, इष्टतम नियमितीकरण (रेगुलराइजेशन) इन प्रभावों की शक्ति के साथ स्केल करता है और वास्तव में ओवर-पैरामीटराइज्ड व्यवस्थाओं में टेस्ट रिस्क को सुधार सकता है, जो वितरण संबंधी बदलावों का पूर्वानुमान लगाने और उन्हें कम करने के लिए एक रणनीति प्रदान करता है।
यह शोध पत्र लर्निंग-टू-मेज़र (L2M) को प्रस्तुत करता है, जो एक मेटा-लर्निंग फ्रेमवर्क है जो अनिश्चितता के परिमाणीकरण के लिए ऑटो-रिग्रेसिव प्री-ट्रेनिंग और कंडीशनल म्यूचुअल इंफॉर्मेशन को अधिकतम करने वाले एक ग्रीडी एजेंट का लाभ उठाकर विविध कार्यों में इन-कॉन्टेक्स्ट एक्टिव फीचर एक्विजिशन को सक्षम बनाता है, जिससे प्रति-कार्य रिट्रेनिंग की आवश्यकता समाप्त हो जाती है और कम लेबल और उच्च मिसिंगनेस के तहत बेसलाइन्स से बेहतर प्रदर्शन होता है।
अर्बनफ्यूजन (UrbanFusion) एक सुदृढ़ स्थानिक प्रतिनिधित्व मॉडल है जो विविध भू-स्थानिक डेटा स्रोतों को एकीकृत करने के लिए स्टोकेस्टिक मल्टीमॉडल फ्यूजन (Stochastic Multimodal Fusion) का उपयोग करता है, जो मौजूदा अत्याधुनिक जियोएआई (GeoAI) मॉडलों की तुलना में 56 शहरों में 41 शहरी पूर्वानुमान कार्यों पर बेहतर सामान्यीकरण और भविष्य कहनेवाला प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र V-Reason को प्रस्तुत करता है, जो एक इन्फरेंस-टाइम अनुकूलन विधि है जो एडेप्टिव माइक्रो-एक्सप्लोरेशन और माइक्रो-एक्सप्लोइटेशन चक्रों के माध्यम से लार्ज मल्टीमॉडल मॉडल्स को निर्देशित करने के लिए एंट्रॉपी-आधारित संकेतों का लाभ उठाती है, जिससे बिना किसी महंगी ट्रेनिंग के अत्याधुनिक वीडियो रीजनिंग प्रदर्शन प्राप्त होता है और टोकन के उपयोग में भी उल्लेखनीय कमी आती है।
यह शोध पत्र गैर-कॉम्पैक्ट समरूपताओं (non-compact symmetries) और गैर-अपरिवर्तनीय डेटा वितरणों (non-invariant data distributions) तक PAC-बायेसियन सामान्यीकरण गारन्टीज़ का विस्तार करता है, जो सैद्धांतिक साक्ष्य प्रदान करता है कि सममित मॉडल कॉम्पैक्ट समूहों और अपरिवर्तनीय डेटा की पारंपरिक धारणाओं से परे भी प्रदर्शन में सुधार करते हैं।
यह शोध पत्र OncoReason को प्रस्तुत करता है, जो एक मल्टी-टास्क लर्निंग फ्रेमवर्क है जो MSK-CHORD डेटासेट पर स्टेट-ऑफ-द-आर्ट, व्याख्या योग्य सर्वाइवल प्रेडिक्शन (उत्तरजीविता भविष्यवाणी) प्राप्त करने के लिए चेन-ऑफ-थॉट प्रॉम्प्टिंग और ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन जैसी रणनीतियों के माध्यम से लार्ज लैंग्वेज मॉडल्स को संरचित नैदानिक तर्क के साथ संरेखित करता है।
यह शोध पत्र TN-SHAP प्रस्तुत करता है, जो एक टेंसर नेटवर्क-आधारित विधि है जो व्यापक गठबंधन गणना (exhaustive coalition enumeration) को एक गुणनखंडित बहुरेखीय मानचित्र (factorized multilinear map) से बदलकर बहुपद जटिलता (polynomial complexity) के साथ शापली मानों (Shapley values) और इंटरेक्शन इंडेक्स का अनुमान लगाता है, जिससे सटीकता बनाए रखते हुए मौजूदा दृष्टिकोणों की तुलना में महत्वपूर्ण गति प्राप्त होती है।
यह शोधपत्र यह स्थापित करता है कि -डाइवर्जेंस के एक व्यापक वर्ग के लिए, वेरिएशनल इन्फरेंस सन्निकटन (variational inference approximations) यह गारंटी देते हैं कि वे एक यूनिमोडल लक्ष्य वितरण के माध्य और सहसंबंध आव्यूह (correlation matrix) को पुनः प्राप्त कर लेंगे, जब उस वितरण में क्रमशः सम या दीर्घवृत्तीय (elliptical) समरूपता हो, जिसके लिए लॉग-कन्केविटी या स्मूथनेस संबंधी धारणाओं की आवश्यकता नहीं होती है।