23088 पेपर
यह शोध पत्र ऑर्थोगोनल सबस्पेस फॉर रोबस्ट मॉडल मर्जिंग (OSRM) का प्रस्ताव करता है, जो एक ऐसी विधि है जो टास्क इंटरफेरेंस को कम करने और कई LoRA-अनुकूलित लैंग्वेज मॉडल्स को मर्ज करने के प्रदर्शन और मजबूती में महत्वपूर्ण रूप से सुधार करने के लिए फाइन-ट्यूनिंग से पहले LoRA सबस्पेस को बाधित करती है।
यह शोध पत्र एक सामान्य ढांचे का प्रस्ताव करता है जो एआई मॉडल विकास के विशिष्ट चरणों को जवाबदेही सौंपने के लिए प्रतितथ्यात्मक विश्लेषण (counterfactual analysis) और कुशल अनुमानकों (efficient estimators) का उपयोग करता है, जिससे मॉडल पुनप्रशिक्षण की आवश्यकता के बिना चरण प्रभावों के परिमाणीकरण और भ्रामक सहसंबंधों को हटाने में सक्षम बनाया जा सके।
यह शोध पत्र FAHNES को प्रस्तुत करता है, जो नेक्स्ट-स्केल प्रेडिक्शन के माध्यम से ग्राफ और हाइपरग्राफ के लिए टोपोलॉजी और फीचर्स को संयुक्त रूप से उत्पन्न करने वाला एक पदानुक्रमित ढांचा (hierarchical framework) है, जो क्रॉस-स्केल निरंतरता और फीचर जागरूकता बनाए रखते हुए स्केलेबिलिटी चुनौतियों को प्रभावी ढंग से संबोधित करता है।
यह स्थिति पत्र (position paper) तर्क देता है कि वर्तमान स्केलर-मान वाले दृष्टिकोणों की सीमाओं को दूर करने और एंटैंगलमेंट जैसे क्वांटम संसाधनों का पूर्ण लाभ उठाने के लिए, क्वांटम मशीन लर्निंग के क्षेत्र को जटिल संरचित भविष्यवाणी (structured prediction) समस्याओं को हल करने में सक्षम अभिव्यंजक ऑपरेटर-मान वाले कर्नेल ढांचों (operator-valued kernel frameworks) की ओर बढ़ना चाहिए।
यह शोध पत्र SHIELD को प्रस्तुत करता है, जो एक नया ढांचा है जो तीव्र प्रतिकूल हमलों (strong adversarial attacks) के तहत प्रमाणित रूप से सुदृढ़ (certifiably robust), स्केलेबल और रिप्ले-मुक्त निरंतर शिक्षण (replay-free continual learning) प्राप्त करने के लिए इंटरवल बाउंड प्रोपेगेशन (Interval Bound Propagation) और एक नई इंटरवल मिक्सअप (Interval MixUp) रणनीति के साथ हाइपरनेटवर्क-आधारित आर्किटेक्चर को जोड़ता है।
यह शोध पत्र DISCO को प्रस्तुत करता है, जो एक नए स्टैंडर्ड एंटी-कॉज़ल मॉडल फ्रेमवर्क और कुशल कंडीशनल डिस्टेंस कोरिलेशन अनुमानकों (estimators) का लाभ उठाकर डीप लर्निंग में डेटासेट पूर्वाग्रह (bias) को कम करने के लिए कंडीशनल इंडिपेंडेंस लागू करता है, जिससे विविध मल्टी-बायस परिदृश्यों में सुदृढ़ और स्केलेबल प्रदर्शन प्राप्त होता है।
यह शोध पत्र MoRAM को प्रस्तुत करता है, जो एक निरंतर सीखने (continual learning) वाला फ्रेमवर्क है जो रूटिंग अस्पष्टता और हस्तक्षेप को समाप्त करने के लिए मोटे-स्तर (coarse-grained) के LoRA-आधारित Mixture-of-Experts को सूक्ष्म-स्तर (fine-grained), स्व-सक्रिय रैंक-1 एसोसिएटिव मेमोरी इकाइयों से बदल देता है, जिससे बड़े पूर्व-प्रशिक्षित मॉडलों में प्लास्टिसिटी-स्टेबिलिटी ट्रेड-ऑफ में उल्लेखनीय सुधार होता है और कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) कम होती है।
यह शोध पत्र बेयसियन ऑप्टिमाइज़ेशन के लिए एक सिद्धांतगत, सैद्धांतिक रूप से आधारित स्टॉपिंग रूल प्रस्तावित करता है जो बिना किसी ह्यूरिस्टिक ट्यूनिंग के बदलते मूल्यांकन लागतों के अनुकूल होता है, यह सिद्ध करते हुए कि यह अपेक्षित लागत-समायोजित सिंपल रिग्रेट को सीमित करता है और सिंथेटिक एवं वास्तविक दुनिया के बेंचमार्क पर मौजूदा तरीकों से बेहतर प्रदर्शन करता है।
यह शोध पत्र Conformal C2ST को प्रस्तुत करता है, जो एक सैद्धांतिक रूप से सुदृढ़ ढांचा है जो किसी भी प्रशिक्षित क्लासिफायर (classifier), यहाँ तक कि कमजोर या पक्षपाती वाले को भी, एक विश्वसनीय टू-सैंपल टेस्ट (two-sample test) में परिवर्तित कर देता है जिसमें सीमित-नमूना टाइप-I त्रुटि नियंत्रण (finite-sample Type-I error control) और गैर-तुच्छ शक्ति (non-trivial power) की गारंटी होती है, जो न्यूरल पोस्टीरियर एस्टीमेशन (Neural Posterior Estimation) मॉडलों को मान्य करने में विशेष प्रभावशीलता प्रदर्शित करता है।
यह शोध पत्र एक नवीन डेटा-संचालित रिड्यूस्ड-ऑर्डर मॉडलिंग फ्रेमवर्क प्रस्तुत करता है जो उच्च-आयामी हैमिल्टोनियन प्रणालियों के लिए सटीक सिम्प्लेक्टिक संरचना के संरक्षण और दीर्घकालिक स्थिरता सुनिश्चित करने हेतु एक एंड-टू-एंड सिम्प्लेक्टिक आर्किटेक्चर बनाने के लिए हेनोन न्यूरल नेटवर्क का उपयोग करता है।