23164 पेपर
यह शोध पत्र इंटरप्रिटेबल फेडरेटेड लर्निंग (IFL) पर पहला व्यापक सर्वेक्षण प्रस्तुत करता है, जो एक नवीन वर्गीकरण पेश करता है और सहयोगी मशीन लर्निंग में प्रदर्शन, गोपनीयता और व्याख्यात्मकता के बीच संतुलन बनाने की महत्वपूर्ण आवश्यकता को संबोधित करने के लिए मौजूदा दृष्टिकोणों, मूल्यांकन मेट्रिक्स और भविष्य की दिशाओं का विश्लेषण करता है।
यह शोध पत्र डेटा-अनुकूली ऊर्जा दूरी (energy distance) पर आधारित सुदृढ़, ट्यूनिंग-पैरामीटर-मुक्त क्लासिफायर पेश करता है जो सामान्य परिस्थितियों में उच्च-आयामी, कम-नमूना आकार वाले डेटा के लिए पूर्ण वर्गीकरण प्राप्त करते हैं, और सिमुलेशन तथा वास्तविक दुनिया के अनुप्रयोगों दोनों में मौजूदा विधियों से बेहतर प्रदर्शन करते हैं।
यह शोध पत्र Llama-3.1 परिवार में FP8, INT8 और INT4 क्वांटाइजेशन का एक व्यापक अनुभवजन्य अध्ययन प्रस्तुत करता है, जो यह प्रकट करता है कि FP8 प्रभावी रूप से लॉसलेस है, अच्छी तरह से ट्यून किया गया INT8 न्यूनतम सटीकता हानि करता है, और INT4 अत्यधिक प्रतिस्पर्धी है, साथ ही विभिन्न इन्फरेंस परिदृश्यों के लिए सटीकता और प्रदर्शन के बीच संतुलन बनाने वाले डेटा-संचालित परिनियोजन अनुशंसाएँ प्रदान करता है।
यह शोध पत्र SVBCX चेस्ट एक्स-रे डेटासेट और एक नवीन डीप-लर्निंग आर्किटेक्चर प्रस्तुत करता है जो सिलिकोसिस और निमोनिया के अत्यधिक सटीक और सुदृढ़ वर्गीकरण को प्राप्त करने के लिए ग्राफ ट्रांसफॉर्मर को एन्सेम्बल तकनीकों और बैलेंस्ड क्रॉस-एन्ट्रॉपी लॉस के साथ जोड़ता है, जिससे 0.9749 का मैक्रो-F1 स्कोर और 0.99 से अधिक AUC-ROC स्कोर प्राप्त हुआ है।
यह शोध पत्र मिमिक स्कोर (Mimic Score) का परिचय देता है, जो एक ज्यामिति-आधारित मीट्रिक है जो नमूना ग्रेडिएंट्स को प्री-ट्रेन्ड मॉडल वेट्स के साथ संरेखित करके डेटा उपयोगिता का मूल्यांकन करता है, और कुशल ऑनलाइन प्रशिक्षण त्वरण और ऑफलाइन डेटा फ़िल्टरिंग के लिए इस मीट्रिक का लाभ उठाने हेतु ग्रेड-मिमिक (Grad-Mimic) फ्रेमवर्क का प्रस्ताव करता है, जो मॉडल प्रदर्शन में सुधार करते हुए कम्प्यूटेशनल लागत और नमूना आवश्यकताओं को महत्वपूर्ण रूप से कम करता है।
यह शोध पत्र CleanSurvival को प्रस्तुत करता है, जो एक सुदृढीकरण शिक्षण (reinforcement learning) आधारित ढांचा है जो डेटा प्रीप्रोसेसिंग पाइपलाइनों—जिसमें इम्प्यूटेशन (imputation), आउटलियर डिटेक्शन और फीचर एक्सट्रैक्शन शामिल हैं—के अनुकूलन को स्वचालित करता है, जो विशेष रूप से सेंसर डेटा (censored data) के लिए टाइम-टू-इवेंट मॉडलों के भविष्य कहने वाले प्रदर्शन को बढ़ाने के लिए तैयार किया गया है।
यह शोध पत्र पोस्ट-ट्रेनिंग क्वांटाइज्ड मशीन लर्निंग मॉडल्स की मेंबरशिप इन्फरेंस सुरक्षा का आकलन करने और उन्हें रैंक करने के लिए एक सैद्धांतिक रूप से आधारित, अनुभवजन्य रूप से अनुमान लगाने योग्य संकेतक प्रस्तावित करता है, जो सिंथेटिक और वास्तविक दुनिया के ड्रग डिस्कवरी डेटासेट्स के माध्यम से अपनी प्रभावशीलता को प्रदर्शित करता है।
यह शोध पत्र यह प्रदर्शित करता है कि विभिन्न वातावरणों और डेटासेट स्थितियों में एल्गोरिदम डिस्टिलेशन (Algorithm Distillation) जैसे मौजूदा सुपरवाइज्ड तरीकों की तुलना में, ऑफलाइन इन-कॉन्टेक्स्ट रिइन्फोर्समेंट लर्निंग में रिइन्फोर्समेंट लर्निंग उद्देश्यों, विशेष रूप से कंजर्वेटिज्म (conservatism) के साथ एकीकरण को शामिल करना काफी बेहतर प्रदर्शन करता है।
यह शोध पत्र Harmonia को प्रस्तुत करता है, जो एक मल्टी-एजेंट सुदृढीकरण शिक्षण (multi-agent reinforcement learning) ढांचा है जो हाइब्रिड स्टोरेज सिस्टम में परस्पर निर्भर डेटा प्लेसमेंट और माइग्रेशन नीतियों को समग्र रूप से अनुकूलित करता है, जिससे न्यूनतम ओवरहेड के साथ पूर्व एकल-नीति दृष्टिकोणों की तुलना में महत्वपूर्ण प्रदर्शन और लागत सुधार प्राप्त होते हैं।
यह शोध पत्र जनरेटिव मशीन लर्निंग वर्गीकरण मॉडलों के लिए एक बेयसियन ढांचे (Bayesian framework) का प्रस्ताव करता है जो स्पष्ट रूप से इनपुट माप अनिश्चितता को शामिल करता है, और लैंड कवर वर्गीकरण एवं सिंथेटिक सिमुलेशन के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण रैंडम फॉरेस्ट और न्यूरल नेटवर्क जैसे लोकप्रिय मॉडलों की तुलना में बेहतर व्याख्यात्मकता, सुदृढ़ता और कम्प्यूटेशनल दक्षता प्रदान करता है।