22999 पेपर
यह शोध पत्र एक पांच-चरणीय नैदानिक प्रोटोकॉल प्रस्तावित करता है जो छिपे हुए ऑपरेटर त्रुटियों, जैसे कि नियंत्रण-निर्भर लेवी जंप मॉडल में एक लुप्त मिश्रण कारक (mixture factor) का पता लगाने के लिए न्यूरल HJB-PIDE सॉल्वर के हैमिल्टोनियन को विघटित करता है, जिन्हें मानक स्केलर मेट्रिक्स स्पष्ट अभिसरण (convergence) के बावजूद पहचानने में विफल रहते हैं।
यह शोध पत्र STARFISH को पेश करता है, जो एक कुशल हीलिंग विधि है जो अनलेबल कैलिब्रेशन डेटा के एक बहुत छोटे सेट का उपयोग करके प्रून किए गए मॉडल के आंतरिक स्टेट रिप्रजेंटेशन को मूल मॉडल के साथ संरेखित करके न्यूरल नेटवर्क प्रूनिंग के दौरान खोई गई अधिकांश सटीकता को पुनः प्राप्त करती है, जो विशेष रूप से आक्रामक प्रूनिंग स्थितियों के तहत अत्याधुनिक तकनीकों से काफी बेहतर प्रदर्शन करती है।
यह शोधपत्र Local MixVR को प्रस्तुत करता है, जो एक नवीन वितरित शिक्षण ढांचा (डिस्ट्रीब्यूटेड लर्निंग फ्रेमवर्क) है जो स्थानीय अपडेट्स को वेरिएंस रिडक्शन के साथ एकीकृत करता है ताकि संचार जटिलता (कम्युनिकेशन कॉम्प्लेक्सिटी) की कुल नमूनों की संख्या पर निर्भरता को समाप्त किया जा सके, जिससे एक ऐसी जटिलता प्राप्त होती है जो केवल श्रमिकों (वर्कर्स) की संख्या के साथ स्केल करती है और अत्याधुनिक बेसलाइनों से बेहतर प्रदर्शन करती है।
यह शोध पत्र लैग्रेंजियन पर्टर्बेशन डिफ्यूजन स्टीयरिंग (LP-DS) का प्रस्ताव करता है, जो एक हल्का (lightweight) तरीका है जो एक लैग्रेंजियन ट्रस्ट-रीजन ऑब्जेक्टिव के माध्यम से कॉम्पैक्ट नॉइज़-स्पेस पर्टर्बेशन्स को सीखकर फ्रोजन जेनरेटिव पॉलिसियों को फाइन-ट्यून करता है, जिससे एक्शन-स्पेस एंट्रॉपी को बनाए रखते हुए विविध रोबोटिक और लोकोमोशन बेंचमार्क में सैंपल दक्षता और प्रदर्शन में महत्वपूर्ण सुधार होता है।
यह शोध पत्र डेटा की कमी के तहत स्पार्स लैंग्वेज मॉडल ट्रेनिंग की जांच करता है, जो यह प्रदर्शित करता है कि स्पर्सिटी न केवल दक्षता में सुधार करती है बल्कि डेटा सैचुरेशन (डेटा संतृप्ति) को भी विलंबित करती है और एक नया स्केलिंग लॉ सक्षम करती है जो सक्रिय पैरामीटर्स, डेटा पुनरावृत्ति और कंप्यूट बजट के बीच प्रदर्शन संबंधी ट्रेड-ऑफ को अनुकूलित करता है।
यह शोधपत्र ट्रांसलेशन-इक्विवेरिएंट न्यूरल प्रोसेसेज का एक नया वर्ग प्रस्तावित करता है जो विश्लेषणात्मक पारदर्शिता के लिए वोल्टेरा सीरीज़ (Volterra series) का लाभ उठाता है और ग्लोबल रिसेप्टिव फील्ड्स एवं लीनियर स्केलिंग के साथ अनियमित रूप से सैंपल किए गए डेटा को कुशलतापूर्वक मॉडल करने के लिए सेट फूरियर कन्वोल्यूशन (Set Fourier Convolutions) पेश करता है।
यह शोध पत्र एक संक्षिप्त, लीकेज-सुरक्षित 13-कोऑर्डिनेट मोटिफ फीचर मैप प्रस्तुत करता है जो रेसिप्रोसिटी (reciprocity) और ट्रायडिक फ्लो (triadic flow) जैसे शॉर्ट-होरिजन टेम्पोरल पैटर्न को कैप्चर करता है, यह प्रदर्शित करते हुए कि मौजूदा टेम्पोरल ग्राफ न्यूरल नेटवर्क को इन फीचर्स के साथ संवर्धित करना बिना किसी आर्किटेक्चरल बदलाव की आवश्यकता के विविध लिंक प्रेडिक्शन और क्लासिफिकेशन कार्यों में प्रदर्शन में लगातार सुधार करता है।
यह शोध पत्र एक एकीकृत भौतिकी-सूचित गहन शिक्षण (Physics-Informed Deep Learning) ढांचे को प्रस्तुत करता है जो ऊष्मागतिक और वित्तीय प्रणालियों में एंट्रॉपी की सटीक भविष्यवाणी करने के लिए अवकल समीकरण अवशेषों (differential equation residuals) और सूचना-सैद्धांतिक सीमाओं दोनों को लागू करता है, जिससे शून्य द्वितीय नियम उल्लंघन, उत्कृष्ट डेटा दक्षता और ज्यामितीय विश्लेषण के माध्यम से चरण अस्थिरताओं (phase instabilities) की पहचान करने की क्षमता प्राप्त होती है।
यह शोध पत्र तीन भाषा मॉडलों के माध्यम से 9,000 निर्णय प्रक्षेप पथों (decision trajectories) का विश्लेषण करता है ताकि यह प्रकट किया जा सके कि शुद्धता (correctness) और स्थिरता (stability) अलग-अलग गुण हैं, जो यह प्रदर्शित करता है कि अटेंशन मैकेनिज्म मुख्य रूप से स्थिर सही उत्तरों को संचालित करते हैं जबकि विशिष्ट टेक्स्ट स्पैन निर्णय मार्जिन को महत्वपूर्ण रूप से प्रभावित करते हैं।
यह शोध पत्र एक रिमानियन अनुकूलन ढांचे (Riemannian optimization framework) का प्रस्ताव करता है जिसमें एक नवीन ब्लॉक-डायगोनल मेट्रिक और एक ट्यूनिंग-मुक्त गॉस-न्यूटन एल्गोरिदम है ताकि उनके अंतर्निहित स्केलिंग सिमिट्रीज़ (scaling symmetries) को संबोधित करते हुए हैडमर्ड उत्पादों के तहत लो-रैंक मैट्रिसेस को कुशलतापूर्वक सीखा जा सके।