23088 पेपर
CoMem एक नवीन ढांचा है जो -स्टेप-ऑफ एसिंक्रोनस पाइपलाइन और रिवॉर्ड-ड्रिवन ट्रेनिंग का उपयोग करके मेमोरी मैनेजमेंट को प्राथमिक एजेंट वर्कफ़्लो से अलग करता है, जिससे लंबे-कॉन्टेक्स्ट एजेंटिक कार्यों में उच्च प्रदर्शन बनाए रखते हुए इन्फरेंस लेटेंसी को काफी कम किया जाता है।
यह व्याख्यान नोट संरचनात्मक अर्थमितीय डायनेमिक डिस्क्रीट चॉइस मॉडलों और एंट्रॉपी-रेगुलराइज्ड इनवर्स रीइन्फोर्समेंट लर्निंग के बीच सैद्धांतिक तुल्यता स्थापित करता है, जो ऑफलाइन रिवॉर्ड रिकवरी के लिए उनके संबंधित उद्देश्यों, सीमाओं और पहचान गारंटी को स्पष्ट करने के लिए शास्त्रीय पहचान और कम्प्यूटेशनल विधियों की आधुनिक मशीन लर्निंग दृष्टिकोणों के साथ व्यवस्थित रूप से तुलना करता है।
फ़ोरकास्टकॉम्पस (FoCo) एक अनुकूली कारक-आधारित स्मृति ढांचा है जो अनुभवों को पुन: प्रयोज्य भविष्य कहनेवाला कारकों और तर्क सिद्धांतों में व्यवस्थित करके एजेंटिक पूर्वानुमान को बढ़ाता है, जिससे एजेंटों को पूर्वव्यापी विश्लेषण के माध्यम से अपनी संभाव्यता सटीकता और अंशांकन को पुनरावृत्ति से परिष्कृत करने में सक्षम बनाया जा सके।
यह शोध पत्र मापदंडों और डेटा के संयुक्त बड़े पैमाने के शासन के भीतर गहरे गैर-रेखीय एमएलपी (MLP) में बेयसियन अनुमान का विश्लेषण करता है, जो यह प्रकट करता है कि प्रिडिक्टिव पोस्टीरियर्स (predictive posteriors) प्रथम क्रम पर डेटा-निर्भर कर्नेल विधियों के समकक्ष हैं और एक मानदंड स्थापित करता है कि कब बढ़ी हुई प्रभावी गहराई मॉडल साक्ष्य (model evidence) को बढ़ाती है।
यह शोध पत्र MLIPilot को प्रस्तुत करता है, जो एक ऑटो-रिसर्च फ्रेमवर्क है जहाँ टूल-कॉलिंग लार्ज लैंग्वेज मॉडल्स, सख्त भौतिक बाधाओं के तहत कोड परिवर्तनों का प्रस्ताव देकर और HPC जॉब्स को प्रबंधित करके मशीन-लर्नड इंटरएटॉमिक पोटेंशियल को स्वायत्त रूप से अनुकूलित करते हैं, और विविध आणविक एवं आवधिक बेंचमार्क पर प्रारंभिक अस्थिर बेसलाइन्स को सफलतापूर्वक प्रोडक्शन-क्वालिटी मॉडल्स में परिवर्तित करते हैं।
यह शोध पत्र DensityFlow का प्रस्ताव करता है, जो एक जनरेटिव फ्रेमवर्क है जो उच्च-विश्वास वाले मैनिफोल्ड्स (high-confidence manifolds) के माध्यम से नेविगेट करके, मॉडल मल्टीप्लिसिटी (model multiplicity) के तहत वैधता सुनिश्चित करते हुए और एन्सेम्बल-आधारित विधियों की तुलना में क्वेरी लागत को काफी कम करते हुए, टैबुलर डेटा पर मजबूत काउंटरफैक्टुअल स्पष्टीकरण उत्पन्न करने के लिए न्यूरल ODEs और एक डिफरेंशिएबल डेंसिटी स्कोर का लाभ उठाता है।
यह शोध पत्र यह प्रदर्शित करके विभिन्न एंकोर्ड ऑप्टिमाइज़ेशन विधियों को एकीकृत करता है कि एंकरिंग को एक एकल ऑपरेटर-साइड टिखोनोव रेगुलराइजेशन रणनीति के माध्यम से प्राप्त किया जा सकता है, जो हलपर्न इटरेशन जैसे ज्ञात एल्गोरिदम को पुनरुत्पादित करता है और स्थापित लास्ट-इटरेट अभिसरण दरों वाले नए वेरिएंट उत्पन्न करता है।
यह शोध पत्र DareU को प्रस्तुत करता है, जो एक नवीन LLM अनलर्निंग फ्रेमवर्क है जो भूलने वाले डेटा सेट (forget sets) के लिए डेटा एट्रिब्यूशन स्कोर को शून्य करने के लिए सुदृढीकरण शिक्षण (reinforcement learning) का उपयोग करता है, जिससे मौजूदा लॉस-आधारित अनुकूलन विधियों की तुलना में ओवर-फॉरगेटिंग को प्रभावी ढंग से कम किया जाता है और मॉडल उपयोगिता को संरक्षित किया जाता है।
यह शोध पत्र यह प्रदर्शित करके कि नॉर्मलाइज्ड स्पेक्ट्रल एंट्रॉपी (normalized spectral entropy) एक सार्वभौमिक, हार्डवेयर-स्वतंत्र नैदानिक उपकरण के रूप में कार्य करती है जो बिना एरर मिटिगेशन (error mitigation) के सिम्युलेटेड और वास्तविक क्वांटम हार्डवेयर दोनों पर कर्नेल प्रदर्शन, डीक्वांटाइजेशन व्यवहार और वेरिएंस कॉन्ट्रैक्शन की भविष्यवाणी करती है, क्वांटम गॉसियन प्रक्रियाओं की सीमाओं पर हालिया निष्कर्षों को एकीकृत करता है।
यह शोधपत्र ZoVH को प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो उच्च-आयामी डेरिवेटिव-मुक्त अनुकूलन (derivative-free optimization) में बेहतर सटीकता और अभिसरण प्राप्त करने के लिए, हेसियन (Hessian) और इसके व्युत्क्रम (inverse) के लिए वेरिएंस-रिड्यूस्ड (variance-reduced), निष्पक्ष अनुमानकों का एक व्यापक समूह प्रदान करने हेतु सिंगल-स्टेप पॉलिसी ऑप्टिमाइज़ेशन के माध्यम से ज़ीरोथ-ऑर्डर हेसियन सन्निकटन (zeroth-order Hessian approximation) की पुनर्व्याख्या करता है।