20005 पेपर
यह शोध पत्र जनरलाइज्ड पॉइसन फ्लो (GPFlow) प्रस्तुत करता है, जो एक नवीन जनरेटिव फ्रेमवर्क है जो एक इनहोमोजेनियस जनरलाइज्ड पॉइसन प्रोसेस को सीखकर वर्तमान प्रोटीन डिज़ाइन मॉडल्स की निश्चित-लंबाई की सीमाओं को दूर करता है ताकि विविध डिज़ाइन कार्यों में बेहतर संरचनात्मक डिज़ाइन क्षमता और वितरण संबंधी उपयुक्तता के साथ परिवर्तनशील-लंबाई वाले प्रोटीन को सफलतापूर्वक उत्पन्न किया जा सके।
यह शोध पत्र लर्निंग फ्रॉम हाइंडसाइट (LfH) को प्रस्तुत करता है, जो एक सुदृढीकरण शिक्षण (reinforcement learning) विधि है जो विजन-लैंग्वेज-एक्शन मॉडल्स के प्रशिक्षण में सैंपल दक्षता को बढ़ाने के लिए एक विजन-लैंग्वेज मॉडल का उपयोग करके विफल रोलआउट्स को उन कार्यों के साथ पुन: लेबल करती है जिन्हें उन्होंने वास्तव में प्राप्त किया था, जिससे पॉलिसी को स्पार्स रिवार्ड्स (sparse rewards) से सीखने और मैनिपुलेशन कार्यों पर मानक बेसलाइन्स से बेहतर प्रदर्शन करने में सक्षम बनाया जा सके।
यह शोध पत्र COBS को प्रस्तुत करता है, जो एक ब्लॉक स्पार्स अटेंशन विधि है जो अटेंशन मास (attention mass) का बेहतर अनुमान लगाने के लिए संकुचित द्वितीय-क्रम सांख्यिकी (compressed second-order statistics) वाले एक नवीन सेलेक्टर का उपयोग करके लॉन्ग-कॉन्टेक्स्ट रिट्रीवल प्रदर्शन में सुधार करता है, जिससे हार्डवेयर दक्षता बनाए रखते हुए डेंस अटेंशन के साथ गुणवत्ता अंतराल को काफी कम किया जा सकता है।
यह शोध पत्र यह प्रदर्शित करता है कि जबकि मानक वैश्विक विज़न मॉडल अक्सर शॉर्टकट का लाभ उठाकर कार्य जटिलता के बीच सामान्यीकरण करने में विफल रहते हैं, कड़ाई से स्थानीय धारणा पर आधारित आवर्ती नीतियां (recurrent policies) इन सीमाओं को पार करने और सुदृढ़ संरचनात्मक सामान्यीकरण (compositional generalization) प्राप्त करने में सक्षम हैं, जो यह सुझाव देता है कि दृश्य तर्क के लिए स्थानीय ध्यान (local attention) आवश्यक है।
यह शोधपत्र यह सिद्ध करके कि वे इष्टतम वर्स्ट-केस अभिसरण दरें (worst-case convergence rates) प्राप्त करते हैं और न्यूनतम विक्षोभ (perturbations) के तहत सैडल पॉइंट्स (saddle points) से सख्ती से बच सकते हैं, नॉनकॉन्वेक्स (nonconvex) परिवेश में शेड्यूल-फ्री ऑप्टिमाइज़ेशन विधियों के लिए सैद्धांतिक आधार स्थापित करता है, जिससे बिना लर्निंग रेट शेड्यूलिंग की आवश्यकता के उनके मजबूत अनुभवजन्य प्रदर्शन की व्याख्या होती है।
यह शोध पत्र प्रदर्शित करता है कि ट्री-आधारित एंसेम्बल मॉडल (tree-based ensemble models) अपने गुणों से टेबलटॉप आरपीजी (tabletop RPGs) में मॉन्स्टर स्तरों की प्रभावी ढंग से भविष्यवाणी कर सकते हैं, जो डिजाइनरों को विरोधियों को संतुलित करने में सहायता करने के लिए एक विश्वसनीय, व्याख्यात्मक और मानव-संरेखित उपकरण प्रदान करता है।
यह शोध पत्र इंटरफेरेंस-गेटेड फंक्शनल एलोकेशन (IGFA) प्रस्तावित करता है, जो एक रिप्ले-फ्री कॉन्टिनुअल लर्निंग पद्धति है जो विस्मरण (forgetting) को टास्क इंटरफेरेंस एनर्जी के रूप में मॉडल करती है ताकि विभाज्य कार्यों के लिए इसे संरचनात्मक रूप से समाप्त किया जा सके और संघर्षरत कार्यों के लिए रिटेंशन और प्लास्टिसिटी के बीच इष्टतम संतुलन बनाया जा सके।
यह शोध पत्र एक सिंथेटिक जनरेटर का उपयोग करके वितरण परिवर्तनों (distribution shifts) के विरुद्ध टेम्पोरल नॉलेज ग्राफ पूर्वानुमान मॉडलों की मजबूती का मूल्यांकन करता है, जो यह प्रकट करता है कि जहाँ सरल बेसलाइन पुनरावृत्ति (recurrence) द्वारा नियंत्रित स्थिर स्थितियों में अच्छा प्रदर्शन करती हैं, वहीं वर्तमान आर्किटेक्चर लेटेंट एंटिटी-कम्युनिटी संरचनाओं में संरचनात्मक परिवर्तनों (structural breaks) के साथ काफी संघर्ष करते हैं।
यह शोध पत्र मशीन अनलर्निंग (machine unlearning) में एसिमेट्रिक जनरलाइजेशन (asymmetric generalization) की चुनौतियों को संबोधित करने के लिए SUITE मूल्यांकन प्रोटोकॉल और JensUn++ एल्गोरिदम प्रस्तुत करता है, जहाँ वर्तमान विधियाँ असंबंधित जानकारी को अनजाने में मिटाए बिना विशिष्ट ज्ञान को विश्वसनीय रूप से हटाने में विफल रहती हैं, जो एक व्यापक डेटासेट प्रदान करके जो जटिल भूलने-याद रखने की सीमा (forget-retain boundary) को दर्शाता है और यह प्रदर्शित करता है कि इष्टतम उपयोगिता व्यापार-समझौतों (utility trade-offs) को प्राप्त करने के लिए बेहतर प्रशिक्षण डेटा उतना ही महत्वपूर्ण है जितना कि एल्गोरिदम का डिज़ाइन।
यह शोध पत्र यह स्थापित करता है कि गॉसियन डिज़ाइन के तहत उच्च-आयामी उत्तल (कन्वेक्स) M-एस्टीमेशन में, लीव-वन-आउट इन्फ्लुएंसेस का वितरण एक स्पष्ट रूप से चित्रित सीमित माप की ओर अभिसरित होता है, जिससे यह प्रकट होता है कि प्रभावशाली नमूने निर्णय सीमा (डिसीजन बाउंड्री) के पास क्लस्टर होने की प्रवृत्ति रखते हैं।