22898 पेपर
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।
यह शोध पत्र यह सिद्ध करके 'ग्रोकिंग' (grokking) के रूप में ज्ञात विलंबित सामान्यीकरण (delayed generalization) की घटना की व्याख्या करता है कि, कम लर्निंग रेट और वेट डिके (weight decay) की सीमा में, ग्रेडिएंट डिसेंट शून्य-हानि मैनिफोल्ड (zero-loss manifold) पर वेट नॉर्म (weight norm) को न्यूनतम करता है, जो कि पोस्ट-मेमोराइजेशन डायनेमिक्स (post-memorization dynamics) के लिए व्युत्पन्न एक क्लोज्ड-फॉर्म अभिव्यक्ति और प्रयोगात्मक सिमुलेशन के माध्यम से प्रमाणित एक तंत्र है।
यह शोध पत्र दो टोपोलॉजिकल डेटा एनालिसिस-आधारित प्रोटोटाइप चयन विधियों, TPS और BoundaryTPS को प्रस्तुत करता है, जो निर्णय सीमाओं (decision boundaries) और वर्ग अनुपातों (class proportions) को प्रभावी ढंग से संरक्षित करने के लिए मल्टी-स्केल पर्सिस्टेंस संरचनाओं का लाभ उठाते हैं और मौजूदा शास्त्रीय बेसलाइनों की तुलना में बेहतर स्थिरता और विशिष्ट परिचालन विशेषताओं का प्रदर्शन करते हैं।