23088 पेपर
यह शोध पत्र नॉर्म के तहत डिस्क्रीट प्रोबेबिलिटी डिस्ट्रीब्यूशन को अनुमानित करने के लिए बेहतर मिनिमैक्स और हाई-प्रोबेबिलिटी बाउंड्स प्रस्तुत करता है, जो एक पूर्णतः एम्पिरिकल रिस्क बाउंड प्रदान करके, सबसे खराब स्थिति वाले एक्सट्रीमल डिस्ट्रीब्यूशन को अभिलक्षणित करके और उत्साहजनक एम्पिरिकल परिणाम प्रदर्शित करके कोंटोरोविच और पेनस्की (2025) के खुले प्रश्नोंों को हल करता है।
यह शोध पत्र 5WBENCH प्रस्तुत करता है, जो एक संतुलित बेंचमार्क है जो यह प्रकट करता है कि मौजूदा मशीन अनलर्निंग विधियाँ मल्टी-हॉप रीजनिंग और ग्रेडिएंट डाइल्यूशन के कारण कारण संबंधी "क्यों" वाले प्रश्नों पर विफल रहती हैं, और MAAT का प्रस्ताव करता है, जो एक अभिनव तीन-चरणीय एडेप्टर-अवेयर फ्रेमवर्क है जो पहली बार ऐसे कारण संबंधी ज्ञान के लिए उच्च विस्मृति (forgetting) और प्रतिधारण (retention) प्राप्त करता है।
यह शोध पत्र इस बात की जांच करता है कि कैसे क्रमिक पोस्ट-ट्रेनिंग चरण बड़े भाषा मॉडलों को लो-रैंक, एनिसोट्रोपिक स्पेस में रिप्रेजेंटेशन कोलैप्स (अभ्यावेदन पतन) का शिकार होने के लिए मजबूर करते हैं, यह प्रदर्शित करते हुए कि यह घटना भविष्य की प्लास्टिसिटी और सामान्यीकरण को बाधित करती है और व्यवहार संबंधी लाभों से समझौता किए बिना सीखने की क्षमता को बनाए रखने के लिए हल्के हस्तक्षेप प्रस्तावित करती है।
यह शोध पत्र प्रदर्शित करता है कि पोस्ट-ट्रेनिंग (post-training) भाषा मॉडलों में मापने योग्य, स्थानीयकृत "AI-जैसे" शैलीगत हस्ताक्षरों को पेश करती है और PASTA प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त विधि है जो टेक्स्ट की सुसंगतता को बनाए रखते हुए AI डिटेक्शन दरों को कम करने के लिए इन विशिष्ट सक्रियण दिशाओं (activation directions) को सफलतापूर्वक हटा देती है।
यह अध्ययन प्रदर्शित करता है कि LLM-जनित सिंथेटिक बहुभाषी डेटा पर फाइन-ट्यून किया गया एक टू-स्टेज क्लिनिकल कोडिंग रिट्रीवल सिस्टम, गैर-अंग्रेजी भाषाओं में इंग्लिश-प्रीट्रेन्ड बेसलाइन्स से बेहतर प्रदर्शन करता है, जो व्यापक नेटिव बायोमेडिकल प्रीट्रेनिंग के बिना डोमेन-विशिष्ट मेडिकल रिट्रीवर्स बनाने के लिए एक स्केलेबल रेसिपी प्रदान करता है।
यह शोधपत्र प्रदर्शित करता है कि मार्कोव-चेन मोंटे कार्लो एकीकरण (Monte Carlo integration) में एक वास्तविक स्व-परिहार वॉक (true self-avoiding walk - TSAW) तंत्र का उपयोग करने से अभिसरण (convergence) में महत्वपूर्ण तेजी आती है, क्योंकि यह की लगभग निश्चित त्रुटि दर प्राप्त करता है, जो पारंपरिक रैंडम-वॉक-आधारित विधियों के मानक स्केलिंग की तुलना में काफी अधिक तीक्ष्ण है।
यह शोध पत्र तर्क देता है कि LLM फाइन-ट्यूनिंग के लिए अल्पकालिक डेटा चयन रणनीतियाँ "मायोपिक सिलेक्शन" (अल्पदृष्टि चयन) को प्रेरित कर सकती हैं, जहाँ तत्काल प्रदर्शन लाभ दीर्घकालिक अनुकूलन क्षमता से समझौता करते हैं, और एक लॉन्ग-होरिज़न अवेयर सिलेक्शन (LHA) फ्रेमवर्क का प्रस्ताव करता है ताकि केवल स्थानीय दक्षता के बजाय मॉडल के संपूर्ण लर्निंग ट्राजेक्टरी को अनुकूलित किया जा सके।
डिजास्टरलेक्स (DisasterLex) एक नॉलेज-ग्राफ-मध्यस्थता वाला ढांचा है जो उपयोगकर्ता के प्रश्नों और विषम भू-स्थानिक डेटाबेसों के बीच एक विशेषज्ञ ज्ञान ग्राफ (Expert Knowledge Graph) को सम्मिलित करके आपदा विश्लेषण में नेचुरल-लैंग्वेज-टू-एसक्यूएल (natural-language-to-SQL) प्रदर्शन को बढ़ाता है, जिससे रूटिंग और मल्टी-टेबल रीजनिंग में अत्याधुनिक बेसलाइनों की तुलना में सटीकता में महत्वपूर्ण सुधार होता है।
यह शोध पत्र SubsurfaceGen को प्रस्तुत करता है, जो एक GPU-त्वरित प्रक्रियात्मक जनरेटर (procedural generator) और इसके साथ जुड़ा 4,276 यथार्थवादी 3D फील्ड-स्केल वेलोसिटी मॉडल और सिस्मिक डेटा का एक बड़े पैमाने का डेटासेट है, जिसे फुल वेवफॉर्म इनवर्जन में मशीन लर्निंग मॉडल के प्रशिक्षण के लिए मौजूदा भूगर्भीय विविधता और भौतिक यथार्थवाद की सीमाओं को दूर करने के लिए डिज़ाइन किया गया है।
यह शोध पत्र एक प्रोसेस-लेवल लेटेंट वेरिएबल मॉडल (PLVM) प्रस्तुत करता है जो भविष्य की व्यवहार संबंधी रणनीतियों के शीघ्र पूर्वानुमान को सक्षम करने के लिए सोर्स कार्यों के आंशिक प्रोसेस ट्रेसेस को एक साझा पर्सन-लेवल रिप्रजेंटेशन में फ्यूज करता है, जो पावरवॉश सिम्युलेटर डेटासेट में इसकी प्रभावशीलता को प्रदर्शित करता है जहाँ यह निरंतर और बार-बार होने वाले रणनीति प्रकारों के बीच सफलतापूर्वक अंतर करता है।