23164 पेपर
यह सर्वेक्षण व्यवस्थित रूप से इस बात की समीक्षा करता है कि कैसे मिक्सचर-ऑफ-एक्सपर्ट्स (MoE) एक कुशल इंजन, रिप्रजेंटेशन लर्नर और लचीले एडेप्टर के रूप में कार्य करके मल्टीमॉडल लर्निंग की चुनौतियों का समाधान करता है, साथ ही व्याख्यात्मक और टिकाऊ मल्टीमॉडल सिस्टम के भविष्य के विकास के मार्गदर्शन के लिए महत्वपूर्ण शोध अंतराल की पहचान करता है।
यह शोध पत्र औद्योगिक सिमेंटिक सर्च के लिए एक एकीकृत स्मॉल लैंग्वेज मॉडल फ्रेमवर्क प्रस्तुत करता है जो खंडित क्वेरी समझ कार्यों को एक एकल स्कीमा-प्रतिबंधित जनरेशन सिस्टम में समेकित करता है, जिसे डेटा एनोटेशन और मूल्यांकन के लिए एक "क्वेरी इल्यूमिनेटर" द्वारा समर्थित किया गया है, जिसने सख्त लेटेंसी बाधाओं को पूरा करते हुए लिंक्डइन के जॉब और पीपल सर्च सिस्टम में उपयोगकर्ता जुड़ाव में सुधार किया और लागत को कम किया।
यह शोध पत्र AgensFlow को प्रस्तुत करता है, जो एक ओपन-सोर्स फ्रेमवर्क है जो मल्टी-एजेंट समन्वय को आंशिक अवलोकन (partial observability) के तहत एक ऑनलाइन पॉलिसी-लर्निंग समस्या के रूप में मानता है, और यह प्रदर्शित करता है कि सीखा गया, ऑडिट करने योग्य रूटिंग जटिल वर्कफ़्लो में स्टैटिक पाइपलाइनों की तुलना में बेहतर प्रदर्शन करता है क्योंकि यह कौशल, भूमिकाओं, मॉडलों और टोपोलॉजी के संबंध में निर्णयों को गतिशील रूप से अनुकूलित करता है।
यह शोध पत्र SignGAD का प्रस्ताव करता है, जो एक नवीन ढांचा (framework) है जो फिक्स्ड पाइपलाइनों और फ्यू-शॉट ग्राफ विसंगति पहचान (few-shot graph anomaly detection) में कमजोर साक्ष्य की सीमाओं को संबोधित करता है, जिसे एक स्व-डिज़ाइनिंग एजेंटिक वर्कफ़्लो के रूप में पुनर्गठित किया गया है जो अनुकूलतम एन्कोडिंग और डिटेक्टरों का गतिशील रूप से चयन करता है और सीमित पर्यवेक्षण के तहत विश्वसनीयता सुनिश्चित करने के लिए एक गार्डेड रिफिट रणनीति का उपयोग करता है।
यह शोध पत्र पहचान करता है कि 'फ्यू-प्लेसबो रिजीम' (few-placebo regime) में कंडीशनल एवरेज ट्रीटमेंट इफेक्ट (CATE) के लिए मानक बेयसियन इन्फरेंस, दुर्लभ आर्म (scarce arm) में अनमॉडलड बायस के कारण अंडर-कवरेज से ग्रस्त होता है, और GP-CATE का प्रस्ताव करता है, जो एक गॉसियन प्रोसेस-आधारित विधि है जो कैलिब्रेटेड अनसर्टेन्टी इंटरवल्स प्राप्त करने के लिए दुर्लभ आर्म की अनिश्चितता को सीधे पोस्टीरियर में शामिल करती है।
यह शोध पत्र एक नवीन कारण अनुमानक (causal inference estimator) प्रस्तुत करता है जो औसत डोज़-रिस्पॉन्स फंक्शन (Average Dose-Response Function) को एक साथ पुनर्प्राप्त करता है और चरम टेल घटनाओं (extreme tail events) के लिए सुदृढ़, विधि-अपरिवर्तनीय नैदानिक विवरण (method-invariant diagnostics) प्रदान करता है, जो प्रभावी रूप से भारी-पूंछ वाले परिणामों (heavy-tailed outcomes) को दबाने में मानक डबल मशीन लर्निंग की सीमाओं को दूर करता है और उच्च-दांव वाले, डेटा-दुर्लभ परिदृश्यों में सटीकता और विश्वसनीयता के लिए मौजूदा विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र ट्रांसफार्मर अटेंशन को एक एसोसिएटिव मेमोरी के रूप में अभिलक्षित करके, इसे सममित (symmetric) और विषम-सममित (skew-symmetric) घटकों में विघटित करके हॉपफील्ड-शैली के स्थिरता मापों को व्युत्पन्न करने और जनरेशन की गुणवत्ता एवं विविधता को संतुलित करने के लिए विषम-सममित परिसंचरण (skew-symmetric circulation) को नियंत्रित करने के माध्यम से डिफ्यूजन मॉडल्स में फिडेलिटी-डाइवर्सिटी ट्रेड-ऑफ को नियंत्रित करने की एक विधि प्रस्तावित करता है।
यह शोध पत्र निरंतर डेटा के लिए एक पुनरावृत्ति कारण खोज (इटरेटिव कॉज़ल डिस्कवरी) प्रोटोकॉल प्रस्तुत करता है जो पांच गेटेड टियर्स में प्रति-एज पहचान क्षमता प्रमाणपत्र (पर-एज आइडेंटिफिएबिलिटी सर्टिफिकेट्स) और विफलता-मोड प्रश्न (फेल्योर-मोड क्वेरीज) निर्दिष्ट करता है, जो किसी भी निर्देशित अचक्रीय ग्राफ (डायरेक्टेड एसाइक्लिक ग्राफ) को पूरी तरह से पुनर्प्राप्त करने के लिए विशेषज्ञ इंटरैक्शन की एक सैद्धांतिक ऊपरी सीमा स्थापित करता है।
यह शोध पत्र GroundedCache का प्रस्ताव करता है, जो एक साक्ष्य-सत्यापित (evidence-validated) रूटिंग तंत्र है जो चार समवर्ती सुरक्षा द्वारों (safety gates) को लागू करके रिट्रीवल-ऑगमेंटेड जनरेशन में कैश किए गए उत्तरों के सुरक्षित पुन: उपयोग को सुनिश्चित करता है, जिससे विविध वर्कलोड्स में असुरक्षित-सर्व दरों (unsafe-served rates) को समाप्त करते हुए बेसलाइन लेटेंसी के करीब विलंबता बनाए रखी जाती है।
यह शोध पत्र प्रदर्शित करता है कि रिप्रेजेंटेशन-कंडीशन्ड लेटेंट डिफ्यूजन मॉडल्स (DINOv2, DINOv3 और CLIP का उपयोग करके) द्वारा निर्मित सिंथेटिक छवियों पर क्लासिफायर को प्रशिक्षित करना, क्लास-कंडीशन्ड जनरेशन और वास्तविक दुनिया के डेटासेट पर प्रशिक्षित मॉडल्स दोनों से काफी बेहतर प्रदर्शन करता है, जो बड़े पैमाने पर विजुअल लर्निंग में डेटा की कमी के लिए एक आशाजनक समाधान प्रदान करता है।