23088 पेपर
यह शोध पत्र इनवेरिएंट बिट पैकिंग (IBP) को प्रस्तुत करता है, जो एक नवीन लॉसलेस संपीड़न (lossless compression) एल्गोरिदम है जो ML पाइपलाइनों में निर्बाध रूप से एकीकृत होता है ताकि लॉसवी संपीड़न (lossy compression) से जुड़े सटीकता के समझौतों के बिना GPU मेमोरी बाधाओं को समाप्त किया जा सके और GNN प्रशिक्षण, DLRM एम्बेडिंग लुकअप और LLM इन्फरेंस को महत्वपूर्ण रूप से त्वरित किया जा सके।
SemStruct, रो-स्तर (row-level) के संरचनात्मक संदर्भ का लाभ उठाने के लिए फ्रोजन प्री-ट्रेंड लैंग्वेज मॉडल्स को ग्राफ न्यूरल नेटवर्क्स के साथ एकीकृत करके सीरियलाइजेशन-आधारित स्कीमा मैचिंग की सीमाओं को संबोधित करता है, जिससे पूर्ण मॉडल फाइन-ट्यूनिंग की आवश्यकता के बिना अत्याधुनिक प्रदर्शन प्राप्त होता है।
यह शोध पत्र NLM-Malaria डेटासेट पर मलेरिया निदान के लिए डीप लर्निंग मॉडलों का बेंचमार्किंग करता है, जो यह प्रदर्शित करता है कि हल्के आर्किटेक्चर भारी मॉडलों के तुलनीय सटीकता प्राप्त करते हैं और साथ ही संसाधन-सीमित परिवेशों में जिम्मेदार नैदानिक तैनाती के मार्गदर्शन हेतु इमेज करप्शन (छवि भ्रष्टाचार) के तहत पोस्ट-हॉक व्याख्यात्मकता और मॉडल आत्मविश्वास में महत्वपूर्ण कमजोरियों को उजागर करते हैं।
यह शोध पत्र रैंडम मैट्रिक्स थ्योरी का उपयोग करते हुए सैद्धांतिक विश्लेषण और बड़े पैमाने पर अनुभवजन्य मूल्यांकन, दोनों के माध्यम से यह प्रदर्शित करता है कि एक गहरे न्यूरल नेटवर्क की केवल अंतिम परत का रैखिकीकरण (linearization) करने से पूर्ण-नेटवर्क रैखिकीकरण के तुलनीय एपिस्टेमिक अनसर्टेन्टी क्वांटिफिकेशन प्रदर्शन प्राप्त होता है, जबकि यह काफी बेहतर कम्प्यूटेशनल दक्षता भी प्रदान करता है।
यह शोध पत्र AbstainGNN प्रस्तुत करता है, जो एक नवीन, सिद्धांत-आधारित ढांचा है जो ग्राफ न्यूरल नेटवर्क को वर्गीकरण और अस्वीकृति दोनों कार्यों (functions) को मॉडल करके अनिश्चित भविष्यवाणियों से बचने की क्षमता प्रदान करता है, जो सैद्धांतिक रूप से एक PAC-Bayesian परिप्रेक्ष्य के माध्यम से उनके बीच के संतुलन को अनुकूलित करता है, और एक कुशल दो-चरणीय प्रशिक्षण रणनीति के माध्यम से बेंचमार्क डेटासेट पर उत्कृष्ट प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र DPPrefSyn को प्रस्तुत करता है, जो DP-PCA के साथ एक निजी ब्रैडली-टेरी मॉडल को सीखकर और उपयोगकर्ता गोपनीयता से समझौता किए बिना मानवीय मूल्यों को बनाए रखने के लिए सार्वजनिक प्रॉम्प्ट्स का लाभ उठाकर, लार्ज लैंग्वेज मॉडल अलाइनमेंट के लिए डिफरेंशियल प्राइवेट सिंथेटिक प्रिफरेंस डेटा उत्पन्न करने वाला पहला फ्रेमवर्क है।
यह शोधपत्र IRIS को प्रस्तुत करता है, जो एक नवीन मैनिफोल्ड लर्निंग एल्गोरिदम है जिसे उच्च-आयामी टेम्पोरल बायोमेडिकल डेटा को विज़ुअलाइज़ करने के लिए डिज़ाइन किया गया है, जो कालानुक्रमिक क्रम और मैनिफोल्ड टोपोलॉजी दोनों को एक साथ संरक्षित करता है, जिससे गतिशील जैविक प्रक्रियाओं को कैप्चर करने में t-SNE और UMAP जैसी मौजूदा विधियों की सीमाओं को दूर किया जा सके।
यह शोध पत्र एक क्रम-अपरिवर्तनीय (permutation-invariant) ऑटोएन्कोडर ढांचे का प्रस्ताव करता है जो निश्चित-क्रम वाले नमूनों के बजाय द्रव्यमान वितरणों को पुनर्गठित करके अव्यवस्थित सूक्ष्म प्रणालियों के लिए निम्न-आयामी विलुप्त निरूपण (low-dimensional latent representations) और स्थूल गतिकी (macroscopic dynamics) सीखता है, जो कण प्रणालियों, तरल पदार्थों और पॉलिमर वीडियो डेटा में मजबूत प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र यह तर्क देता है कि एक्टिविटी क्लिफ्स (activity cliffs) आणविक गुणों के बजाय मुख्य रूप से चुने गए आणविक प्रतिनिधित्व और मीट्रिक के कृत्रिम परिणाम हैं, जो पंद्रह विन्यासों में छह-चरणीय बेंचमार्क के माध्यम से यह प्रदर्शित करता है कि विभिन्न एम्बेडिंग आणविक पहचान के विशिष्ट पहलुओं को कूटबद्ध करते हैं, जिससे वे अप्रत्यक्ष रूप से यह परिभाषित करते हैं कि एक एक्टिविटी क्लिफ क्या है।
यह शोधपत्र SCOUT का परिचय देता है, जो एक गतिशील ढांचा (डायनामिक फ्रेमवर्क) है जो अनुमानित विश्वसनीयता और विलंबता (लेटेंसी) के आधार पर विषम डिटेक्टरों (हेटरोजीनियस डिटेक्टर्स) और एलएलएम जजों को अनुकूल रूप से आवंटित करके प्रॉम्प्ट-इंजेक्शन डिफेंस को अनुकूलित करता है, जिससे स्टैटिक सिंगल-डिटेक्टर या ऑलवेज-ऑन जज दृष्टिकोणों की तुलना में हमले की सफलता दर और विलंबता में महत्वपूर्ण कमी आती है।