22999 पेपर
यह शोध पत्र तर्क देता है कि गहन समय श्रृंखला (deep time series) मॉडलों में व्याख्यात्मकता के लिए "सिमेंटिक अलाइनमेंट" (semantic alignment) की आवश्यकता होती है, जहाँ भविष्यवाणियों को ऐसे उपयोगकर्ता-सार्थक चरों और तंत्रों के माध्यम से व्यक्त किया जाता है जो समय संबंधी बाधाओं का सम्मान करते हैं, और इस लक्ष्य को प्राप्त करने के लिए एक औपचारिक परिभाषा और डिज़ाइन ब्लूप्रिंट प्रस्तावित करता है।
यह शोध पत्र क्लासिकल KL डाइवर्जेंस (KL divergence) में निहित सिंगुलैरिटीज़ (singularities) और सपोर्ट मिसमैच (support mismatch) की समस्याओं को हल करने के लिए वॉसरस्टीन (Wasserstein) और कलमान-वॉसरस्टीन (Kalman-Wasserstein) डाइवर्जेंस का उपयोग करते हुए सुव्यवस्थित KL-रेगुलराइज्ड नियंत्रण विधियों को प्रस्तुत करता है, जिससे कम-शोर वाले परिदृश्यों (low-noise regimes) में स्थिर और उच्च-प्रदर्शन वाला फीडबैक नियंत्रण सक्षम होता है।
यह शोध पत्र naPINN का प्रस्ताव करता है, जो एक शोर-अनुकूलित भौतिकी-सूचित तंत्रिका नेटवर्क (Noise-Adaptive Physics-Informed Neural Network) है, जो शोर वितरण के पूर्व ज्ञान के बिना आउटलेर्स को फ़िल्टर करने के लिए एक प्रशिक्षित विश्वसनीयता गेट (reliability gate) का उपयोग करने और अवशिष्ट वितरणों (residual distributions) को सीखने के लिए एक ऊर्जा-आधारित मॉडल को समाहित करके दूषित मापों से भौतिक समाधानों को मजबूती से पुनर्प्राप्त करता है।
यह शोध पत्र TSEF को प्रस्तुत करता है, जो एक दोहरा-लक्ष्य (dual-target) हमला है, जो यह प्रदर्शित करता है कि टाइम सीरीज़ स्पष्टीकरणों में टेम्पोरल निरंतरता (temporal consistency), मजबूती (robustness) के लिए एक भ्रामक प्रॉक्सी है, क्योंकि लक्षित गलत वर्गीकरण प्राप्त करने के लिए भविष्यवाणियों को तर्कसंगत स्पष्टीकरणों से प्रतिकूल रूप से अलग करना संभव है।
यह शोध पत्र OUTFORMER को प्रस्तुत करता है, जो एक सिंथेटिक प्रायोर (synthetic priors) और स्व-विकसित पाठ्यक्रम प्रशिक्षण (self-evolving curriculum training) का लाभ उठाने वाला टैबुलर आउटलियर डिटेक्शन के लिए एक ज़ीरो-शॉट फाउंडेशन मॉडल है, जो बिना किसी लेबल वाले आउटलायर या कार्य-विशिष्ट मॉडल प्रशिक्षण के 1,500+ डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त करता है।
यह शोध पत्र LiDAR प्रस्तुत करता है, जो डिफ्यूजन मॉडल्स के लिए एक कुशल टेस्ट-टाइम स्केलिंग विधि है जो मार्जिनल सैंपल्स और फ्यू-स्टेप लुकअहेड सैंपलिंग का उपयोग करके क्लोज्ड-फॉर्म अपेक्षित भविष्य के रिवॉर्ड गाइडेंस की गणना करता है ताकि मौजूदा ग्रेडिएंट गाइडेंस दृष्टिकोणों की तुलना में 9.5x की गति वृद्धि के साथ उच्च मानव-संरेखित जनरेशन गुणवत्ता प्राप्त की जा सके।
यह शोध पत्र एक ऐसे ढांचे का प्रस्ताव करता है जो गैर-पारस्परिक अंतःक्रियाओं (non-reciprocal interactions) को ध्यान में रखने के लिए लर्निंग-फेज डायनेमिक्स को संशोधित करके इक्विलिब्रियम प्रोपेगेशन (Equilibrium Propagation) को मनमाने गैर-संरक्षी प्रणालियों (non-conservative systems) तक विस्तारित करता है, जिससे लागत फलन ग्रेडिएंट्स (cost function gradients) की सटीक गणना सक्षम होती है और पिछले तरीकों की तुलना में बेहतर प्रदर्शन प्राप्त होता है।
यह शोध पत्र बॉन्ड स्मूथनेस कैरेक्टराइजेशन टेस्ट (BSCT) को प्रस्तुत करता है, जो एक गणनात्मक रूप से कुशल मीट्रिक है जो मशीन लर्निंग इंटरएटोमिक पोटेंशियल को मान्य करने और पुनरावृत्ति संरचनात्मक सुधारों को निर्देशित करने के लिए संभावित ऊर्जा सतह की गैर-सुगमता का पता लगाता है, जिसके परिणामस्वरूप ऐसे मॉडल प्राप्त होते हैं जो कम प्रतिगमन त्रुटियां प्राप्त करते हैं और स्थिर आणविक गतिशीलता सिमुलेशन सुनिश्चित करते हैं।
यह शोध पत्र लेटेंट-स्टेट बैंडिट्स के लिए अनुकूलन योग्य अन्वेषण एल्गोरिदम प्रस्तावित करता है जो लैग्ड एक्शन-रिवॉर्ड पेयर्स और डायनेमिक प्रोब फिंगरप्रिंट्स को शामिल करके LinUCB को उन्नत करता है ताकि अप्रत्यक्ष मार्कोव स्टेट्स को प्रभावी ढंग से ट्रैक किया जा सके, जिससे जब स्टेट सारांश पर्याप्त रूप से विशिष्ट हों और बार-बार अपडेट किए जाते हों, तो मानक बेसलाइन्स की तुलना में डायनेमिक रिग्रेट को कम किया जा सके।
यह शोध पत्र फ्लो मैचिंग के लिए एक कंडीशन-डिपेंडेंट सोर्स डिस्ट्रीब्यूशन सीखने का प्रस्ताव देता है ताकि कंडीशनिंग सिग्नल्स का बेहतर उपयोग किया जा सके, जो वेरिएंस रेगुलराइजेशन और डायरेक्शनल अलाइनमेंट के माध्यम से प्रमुख स्थिरता चुनौतियों का समाधान करते हुए टेक्स्ट-टू-इमेज जनरेशन में काफी तेज़ अभिसरण (कन्वर्जेंस) और बेहतर प्रदर्शन प्राप्त करता है।