23413 पेपर
यह शोध पत्र MUSE प्रस्तुत करता है, जो एक ऐसा ढांचा है जो यह प्रदर्शित करता है कि उपयोगकर्ता के प्रतिरोध के प्रति LLM की अनुरूपता न केवल चापलूसी (sycophancy) से प्रेरित है, बल्कि एपिस्टेमिक अनिश्चितता (epistemic uncertainty) से भी संचालित है, और ये दोनों कारक उपयोगकर्ता की कथित विशेषज्ञता और उनके सुझावों की संभाव्यता के आधार पर बढ़ते हैं।
यह शोध पत्र एक नवीन कैनरी क्राफ्टिंग विधि प्रस्तावित करता है जो मौजूदा दृष्टिकोणों की तुलना में कम कम्प्यूटेशनल लागत पर अधिक मजबूत गोपनीयता रिसाव अनुमान प्राप्त करने के लिए, हस्तक्षेप को कम करते हुए कैनरी डिटेक्टेबिलिटी (canary detectability) को अधिकतम करने हेतु ग्रीडी इनिशियलाइजेशन (greedy initialization) को बाइलेवल ऑप्टिमाइज़ेशन (bilevel optimization) के साथ जोड़ता है।
यह शोधपत्र एक सुदृढ़ वैश्विक अनुकूलन ढांचे (global optimization framework) का प्रस्ताव करता है जो घटते स्मूथिंग शेड्यूल की आवश्यकता के बिना वैश्विक मैक्सिमाइजर्स को संरक्षित करने और स्टेशनरी पॉइंट्स को केंद्रित करने के लिए लचीले सममित कर्नेल (symmetric kernels) को मोनोटोनिक रेश्यो-आधारित ट्रांसफॉर्म्स के साथ जोड़ता है, जबकि सैद्धांतिक जटिलता सीमाओं (theoretical complexity bounds) प्रदान करता है और उच्च-आयामी बेंचमार्क एवं प्रतिकूल हमलों (adversarial attacks) में बेहतर प्रदर्शन प्रदर्शित करता है।
यह शोध पत्र एक नियंत्रणीय छवि निर्माण ढांचे का प्रस्ताव करता है जो प्रसार प्रक्रियाओं (diffusion processes) को नियंत्रित करने के लिए पूर्व-प्रशिक्षित स्व-पर्यवेक्षित मॉडलों से प्राप्त निरूपणों (representations) का लाभ उठाता है, जिससे विस्तृत एनोटेटेड डेटासेट की आवश्यकता के बिना अनियंत्रित जनरेशन की गुणवत्ता को बढ़ाते हुए आउटपुट विविधताओं पर सुचारू और विलगित (disentangled) नियंत्रण सक्षम होता है।
यह शोध पत्र गिब्स-एक्सेलेरेटेड डिस्क्रीट डिफ्यूजन (GADD) प्रस्तुत करता है, जो एक नवीन करेक्टर विधि है जो बिना किसी अतिरिक्त प्रशिक्षण के यूनिफॉर्म-रेट डिस्क्रीट डिफ्यूजन मॉडल्स के लिए सैंपलिंग कॉम्प्लेक्सिटी और बेहतर दक्षता प्राप्त करने के लिए कंक्रीट स्कोर फंक्शन्स का लाभ उठाता है।
यह शोध पत्र SAERL को प्रस्तुत करता है, जो एक डेटा इंजीनियरिंग फ्रेमवर्क है जो डेटा विविधता, कठिनाई और गुणवत्ता के संबंध में आंतरिक मॉडल संकेतों को निकालने के लिए स्पार्स ऑटोएनकोडर (Sparse Autoencoders) का लाभ उठाता है, जिससे बेहतर सटीकता और दक्षता के साथ LLM पोस्ट-ट्रेनिंग सुदृढीकरण लर्निंग (reinforcement learning) को अनुकूलित किया जा सके।
यह शोधपत्र MobileMoE को पेश करता है, जो एक बिलियन से कम पैरामीटर वाले ऑन-डिवाइस मिक्स्चर-ऑफ-एक्सपर्ट्स (Mixture-of-Experts) भाषा मॉडलों का एक परिवार है, जो मौजूदा डेंस और MoE बेसलाइनों की तुलना में बेहतर प्रदर्शन और दक्षता प्राप्त करने के लिए आर्किटेक्चर और प्रशिक्षण को अनुकूलित करता है, जिससे साधारण स्मार्टफोन पर तेज़ इन्फरेंस (inference) सक्षम होता है।
यह शोध पत्र MUSE-Autoskill को प्रस्तुत करता है, जो एक स्व-विकसित (self-evolving) एजेंट फ्रेमवर्क है जो कौशल (skills) को निर्माण, स्मृति, प्रबंधन, मूल्यांकन और परिशोधन के एक एकीकृत जीवनचक्र के माध्यम से प्रबंधित करके कार्य-समाधान क्षमताओं को बढ़ाता है, और उन्हें पुन: प्रयोज्यता, विश्वसनीयता और क्रॉस-टास्क स्थानांतरण में सुधार के लिए दीर्घकालिक, अनुभव-जागरूक परिसंपत्तियों के रूप में मानता है।
यह शोध पत्र 'फॉरगेटेबल फेडरेटेड लीनियर लर्निंग' (Forgettable Federated Linear Learning) प्रस्तुत करता है, जो एक ऐसा ढांचा है जो डीप न्यूरल नेटवर्क को लीनियर मॉडल्स के साथ अनुमानित करता है ताकि अतिरिक्त क्लाइंट संचार या ऐतिहासिक मॉडल स्टोरेज की आवश्यकता के बिना प्रमाणित, कुशल और सुरक्षित फेडरेटेड अनलर्निंग को सक्षम किया जा सके।
यह शोध पत्र टोपोलॉजिकल डेटा एनालिसिस और क्यूबिकल पर्सिस्टेंट होमोलॉजी का उपयोग करते हुए एक ट्रेन-फ्री एमआरआई सेगमेंटेशन फ्रेमवर्क प्रस्तुत करता है जो बड़े एनोटेटेड डेटासेट के बिना शारीरिक संरचनाओं को स्वचालित रूप से सेगमेंट करता है, जो कि दुर्लभ-डेटा सेटिंग्स और विशेषज्ञ परिशोधन के लिए उपयुक्त एक व्याख्या योग्य बेसलाइन प्रदान करता है।