23145 पेपर
यह शोध पत्र टैबुलर डेटा पर इन-कॉन्टेक्स्ट लर्निंग के लिए एल्गोरिद्मिक रिकोर्स (algorithmic recourse) का पहला अध्ययन प्रस्तुत करता है, जो समाधान अभिसरण (solution convergence) पर सैद्धांतिक गारंटी प्रदान करता है और ASR-ICL का प्रस्ताव देता है, जो एक नवीन ज़ीरो-ऑर्डर फ्रेमवर्क है जो ब्लैक-बॉक्स ICL मॉडलों के लिए कुशलतापूर्वक विरल (sparse), सुधारात्मक रिकोर्स उत्पन्न करता है।
यह शोध पत्र एक न्यूरो-सिम्बोलिक रिग्रेशन फ्रेमवर्क प्रस्तावित करता है जो विंटर व्हीट (शीतकालीन गेहूं) के लिए व्याख्या योग्य, साइट-विशिष्ट नाइट्रोजन उर्वरक प्रतिक्रिया वक्रों की खोज करने हेतु ट्रांसफॉर्मर-आधारित स्केलेटन प्रेडिक्शन को जेनेटिक एल्गोरिदम के साथ जोड़ता है, जो विभिन्न प्रबंधन क्षेत्रों में सटीकता और अनुकूलन क्षमता में पारंपरिक मॉडलों से बेहतर प्रदर्शन करता है।
GETA एक प्रोटोकॉल-अज्ञेय (protocol-agnostic) फ्रेमवर्क है जो विविध डोमेन में सुदृढ़, फ्यू-शॉट एन्क्रिप्टेड ट्रैफ़िक विश्लेषण प्राप्त करने के लिए ट्रैफ़िक मेटाडेटा, मेटा-लर्निंग और सेल्फ-अटेंशन का लाभ उठाता है, जो पारंपरिक डीप पैकेट इंस्पेक्शन और मौजूदा मशीन लर्निंग दृष्टिकोणों की सीमाओं को प्रभावी ढंग से दूर करता है।
यह शोध पत्र GLIDE को प्रस्तुत करता है, जो एक ओपन-सोर्स पायथन लाइब्रेरी है जो विभिन्न प्रेडिक्शन-पावर्ड इन्फरेंस विधियों और सैंपलर्स को एक मानकीकृत API के तहत एकीकृत करती है ताकि वैध अनिश्चितता अनुमानों के साथ एजेंटिक सिस्टम के विश्वसनीय, निष्पक्ष मूल्यांकन को सक्षम बनाया जा सके और एनोटेशन लागत को महत्वपूर्ण रूप से कम किया जा सके।
यह शोध पत्र टर्मिनल रिप्रेजेंटेशन (TR) को प्रस्तुत करता है, जो सुदृढीकरण शिक्षण (reinforcement learning) में सक्सेसर और डिफॉल्ट रिप्रेजेंटेशन का एक नवीन, निम्न-आयामी विकल्प है जो आइजनडीकंपोजिशन (eigendecomposition) या सममित ट्रांजिशन धारणाओं की आवश्यकता के बिना रिवॉर्ड-वेटेड प्रक्षेप पथों (trajectories) को कैप्चर करता है, जिससे विकल्प खोज (option discovery) और ट्रांसफर लर्निंग जैसे कार्यों के लिए एक गणनात्मक रूप से कुशल आधार प्राप्त होता है।
यह शोध पत्र कॉन्टेक्स्टुअल स्केलरिसेशन थॉमसन सैंपलिंग (CSTS) को प्रस्तुत करता है, जो एक मल्टी-ऑब्जेक्टिव कॉन्टेक्स्टुअल बैंडिट एल्गोरिदम है जो संदर्भ के आधार पर प्रतिस्पर्धी संपादकीय उद्देश्यों को भारित करने के लिए गतिशील रूप से सीखता है, और स्विस नेशनल ब्रॉडकास्टर के वास्तविक डेटा पर बेहतर प्रासंगिकता और विशेषज्ञ क्यूरेशन के साथ संरेखण प्रदर्शित करता है।
यह शोध पत्र मल्टीट्रैक म्यूजिक ट्रांसफॉर्मर-आधारित प्रतीकात्मक संगीत सृजन (symbolic music generation) में बिना पुन: प्रशिक्षण (retraining) के, पिच और ड्यूरेशन गुणों पर व्याख्यात्मक, नियत और विसंयोजित (disentangled) नियंत्रण प्राप्त करने के लिए डिफरेंस-इन-मीन्स (Difference-in-Means) और ग्राम-श्मिट ऑर्थोगोनलाइजेशन (Gram-Schmidt Orthogonalization) का उपयोग करते हुए एक इन्फरेंस-टाइम एक्टिवेशन स्टीयरिंग फ्रेमवर्क प्रस्तावित करता है।
यह शोध पत्र विभिन्न सेटिंग्स, जिनमें i.i.d. और मार्कोवियन शोर (Markovian noise) शामिल हैं, के लिए गैर-असिम्प्टोटिक अभिसरण गारंटी प्रदान करने हेतु सामान्यीकृत मोरो एनवेलप्स (generalized Moreau envelopes) का उपयोग करते हुए एक एकीकृत लियापुनोव फ्रेमवर्क प्रस्तुत करता है, जिसमें सुदृढीकरण शिक्षण (reinforcement learning) और स्टोकेस्टिक ग्रेडिएंट डिसेंट के विशिष्ट अनुप्रयोग शामिल हैं।
यह शोध पत्र "स्थानीय सहवर्ती विस्मृति" (localized collateral forgetting) की पहचान और समाधान करता है, जो एक ऐसी घटना है जहाँ मशीन अनलर्निंग विधियाँ विसंगत सरोगेट लक्ष्यों के कारण हटाए गए डेटा के निकट स्थित प्रशिक्षण उदाहरणों के लिए भविष्यवाणियों को असमान रूप से खराब कर देती हैं, और इसके समाधान के रूप में "लोकल टीचर डिस्टिलेशन" (Local Teacher Teacher Distillation) का प्रस्ताव करता है जो एक प्रभावी शमन रणनीति के रूप में अनलर्न्ड मॉडल्स को पूर्ण रिट्रेनिंग के अधिक निकट संरेखित करती है।
यह शोध पत्र एक कार्य-अनुकूलित प्रतिद्वंद्वी मॉडलिंग ढांचे (task-adaptive opponent modeling framework) का प्रस्ताव करता है जो इरादे के प्रदर्शन-संचालित मिश्रण (performance-driven mixture of intent representations) को सीखता है और प्रतिद्वंद्वी की उस जानकारी को पकड़ने के लिए एक नए पारस्परिक सूचना-आधारित प्रतिनिधित्व (mutual information-based representation) को पेश करता है जो ईगो-एजेंट के भविष्य के प्रतिफल (future returns) के लिए सबसे अधिक प्रासंगिक है, जिससे विविध मल्टी-एजेंट सुदृढीकरण शिक्षण (multi-agent reinforcement learning) कार्यों में मौजूदा विधियों से बेहतर प्रदर्शन करता है।