23164 पेपर
STFlow एक नवीन जनरेटिव मॉडल है जो ज्यामितीय समरूपताओं (geometric symmetries) का सम्मान करते हुए N-body, आणविक और मानव गतिकी प्रणालियों में जटिल, बहु-स्तरीय प्रक्षेप पथों (multi-scale trajectories) को कुशलतापूर्वक और सटीक रूप से सिम्युलेट करने के लिए इन्फॉर्म्ड रैंडम-वॉक प्रायर्स (informed random-walk priors) के साथ डेटा-कपल्ड फ्लो मैचिंग का लाभ उठाता है।
ASTRA एक संचार-कुशल (communication-efficient) फ्रेमवर्क है जो मल्टी-डिवाइस ट्रांसफॉर्मर इन्फरेंस के लिए सीक्वेंस पैरेललिज्म को मिक्स्ड-प्रिसिजन अटेंशन और नवीन क्वांटाइजेशन तकनीकों के साथ जोड़ता है ताकि कम-बैंडविड्थ और अस्थिर नेटवर्क स्थितियों में भी सटीकता बनाए रखते हुए महत्वपूर्ण गति प्राप्त की जा सके।
यह शोध पत्र Local MDI+ (LMDI+) को प्रस्तुत करता है, जो एक नवीन विधि है जो वैश्विक MDI+ फ्रेमवर्क का विस्तार करती है ताकि ट्री-आधारित मॉडलों के लिए स्थिर, संरचना-जागरूक स्थानीय फीचर महत्व प्रदान किया जा सके, जो इंस्टेंस-विशिष्ट भविष्य कहने वाले फीचर्स की पहचान करने में मौजूदा बेसलाइनों से बेहतर प्रदर्शन करता है और काउंटरफैक्चुअल जनरेशन जैसे उन्नत व्याख्यात्मकता उपयोग के मामलों को सक्षम बनाता है।
यह शोध पत्र एडजस्टेड शफलिंग SARAH (Adjusted Shuffling SARAH) को प्रस्तुत करता है, जो एक नवीन एल्गोरिदम है जो सटीक (exact) और अपूर्ण (inexact) दोनों मोड में अत्याधुनिक सैद्धांतिक गारंटी प्राप्त करने के लिए डायनेमिक ग्रेडिएंट वेटिंग के साथ शफलिंग रणनीतियों को जोड़ता है, जिसमें बाद वाला बड़े पैमाने के परिवेश में बेहतर स्केलेबिलिटी के लिए डेटासेट-आकार-स्वतंत्र जटिलता प्रदान करता है।
यह शोध पत्र डीप लर्निंग-आधारित आरएफ फिंगरप्रिंटिंग प्रणालियों में महत्वपूर्ण सुरक्षा कमजोरियों को उजागर करता है, जो व्यापक वास्तविक दुनिया के प्रयोगों के माध्यम से यह प्रदर्शित करता है कि डोमेन शिफ्ट निरंतर गलत वर्गीकरण का कारण बनते हैं जिन्हें बैकडोर्स के रूप में भुनाया जा सकता है और कच्चे संकेतों (raw signals) पर प्रशिक्षण हार्डवेयर फिंगरप्रिंट्स को पर्यावरणीय विशेषताओं के साथ उलझा देता है, जिससे ऐसे हमले के वेक्टर बनते हैं जिन्हें पोस्ट-प्रोसेसिंग विधियों द्वारा कम नहीं किया जा सकता है।
यह शोध पत्र इस धारणा को चुनौती देता है कि अर्ली-एग्जिट न्यूरल नेटवर्क्स के लिए केवल क्लासिफायर कैलिब्रेशन ही पर्याप्त है, और एक नया अर्ली-एग्जिट फेलियर प्रेडिक्शन (EEFP) मेट्रिक और एक हल्का प्रशिक्षण प्रक्रिया प्रस्तावित करता है जो बेहतर प्रदर्शन प्राप्त करने के लिए भविष्यवाणी की शुद्धता और कम्प्यूटेशनल लागत को संयुक्त रूप से अनुकूलित करता है।
यह शोध पत्र डेटा की कठिनाई को मापने और यह प्रकट करने के लिए कि मॉडल की प्रभावशीलता पूर्वानुमान कार्य की अंतर्निहित पूर्वानुमेयता पर निर्भर करती है, स्पेक्ट्रल कोहेरेंस (spectral coherence) पर आधारित एक नवीन प्रेडिक्टेबिलिटी-अलाइन्ड मूल्यांकन ढांचे को प्रस्तुत करता है, जिसमें स्पेक्ट्रल कोहेरेंस प्रेडिक्टेबिलिटी (SCP) और लीनियर यूटिलाइजेशन रेशियो (LUR) मेट्रिक्स शामिल हैं, ताकि मानक बेंचमार्क की सीमाओं को दूर किया जा सके।
यह शोध पत्र SCARED को प्रस्तुत करता है, जो कि पहला ऐसा तरीका है जो एजेंटों को पैरामीटर अपडेट के बिना आउट-ऑफ-डिस्ट्रीब्यूशन कार्यों के अनुकूल बनाने में सक्षम बनाकर सुरक्षित इन-कॉन्टेक्स्ट सुदृढीकरण लर्निंग (reinforcement learning) सुनिश्चित करता है, और यह एक सटीक-पेनल्टी ड्यूल दृष्टिकोण के माध्यम से उपयोगकर्ता द्वारा निर्दिष्ट सुरक्षा बजटों का कड़ाई से पालन करता है।
यह शोध पत्र रॉबिन्स-सीगमंड प्रमेय (Robbins-Siegmund theorem) का विस्तार एक नवीन मृदु धारणा (mild assumption) के तहत वर्ग-सम्मणीय (square-summable) (बजाय सम्मणीय (summable)) शून्य-क्रम पदों वाले लगभग सुपरमार्टिंगेल (almost supermartingales) को संभालने के लिए करता है, जिससे नए अभिसरण दर (convergence rates) और सांद्रता सीमाएं (concentration bounds) स्थापित होती हैं जो रैखिक फलन सन्निकटन (linear function approximation) के साथ Q-लर्निंग के लिए प्रथम लगभग निश्चित अभिसरण गारंटी प्रदान करती हैं।
यह शोध पत्र एक एकीकृत, हल्के रिग्रेशन लैंग्वेज मॉडल (RLM) को प्रस्तुत करता है जो विभिन्न प्रोग्रामिंग भाषाओं और हार्डवेयर प्लेटफॉर्म्स में मेमोरी फुटप्रिंट, लेटेंसी और एक्यूरेसी सहित विविध कोड निष्पादन मेट्रिक्स की सटीक भविष्यवाणी करने के लिए एक फ्रोजन (frozen) LLM एनकोडर का लाभ उठाता है, जो बिना किसी कार्य-विशिष्ट अनुकूलन के पूर्व फीचर-इंजीनियर्ड और ग्राफ-आधारित दृष्टिकोणों से बेहतर प्रदर्शन करता है।