23413 पेपर
यह शोध पत्र इस बात की जांच करता है कि क्या डेटासेट मेटा-फीचर्स विभिन्न टेबुलर मॉडल परिवारों के बीच प्रदर्शन के अंतरों की व्याख्या कर सकते हैं, और यह निष्कर्ष निकालता है कि वैश्विक मेटा-फीचर दृष्टिकोण आमतौर पर TabArena बेंचमार्क के विविध 51 डेटासेट्स में मजबूत स्पष्टीकरण प्रदान करने या भविष्यवाणियों में सुधार करने में विफल रहते हैं।
यह शोध पत्र \textsc{Conveyance} को प्रस्तुत करता है, जो एक बहुमुखी वर्गीकरण ढांचा (classification framework) और लॉस फंक्शन है जो पदानुक्रमित वर्गीकरण (hierarchical classification) और ऑर्डिनल रिग्रेशन (ordinal regression) जैसे संरचित स्थानों में मॉडल के प्रदर्शन को सुधारने के लिए वर्गों के बीच ग्राफ-जैसे संबंधों का लाभ उठाता है, जो जटिल संयुक्त वितरणों (joint distributions) या मैन्युअल ट्यूनिंग की आवश्यकता के बिना विशिष्ट बेसलाइनों से बेहतर या उनके बराबर प्रदर्शन करता है।
यह शोध पत्र एक दो-चरणीय ढांचे का प्रस्ताव करता है जो एक सुदृढ़ VAE-आधारित इम्प्यूटर को एक लेटेंट-स्पेस डिफ्यूजन मॉडल के साथ जोड़ता है, यह प्रदर्शित करते हुए कि जनरेटिव मॉडलिंग को एक सीखे गए लेटेंट प्रतिनिधित्व में स्थानांतरित करना, डेटा की उच्च अनुपलब्धता के तहत पिक्सेल-स्पेस डिफ्यूजन की तुलना में इम्प्यूटेशन स्थिरता और गुणवत्ता में महत्वपूर्ण सुधार करता है।
AdaDPO, डायरेक्ट प्रेफरेंस ऑप्टिमाइज़ेशन (DPO) का एक सेल्फ-अडैप्टिव वेरिएंट है जो पसंदीदा और नापसंद प्रतिक्रियाओं के अपडेट के परिमाण को संतुलित करने के लिए प्रति-जोड़ा ग्रेडिएंट गुणांक (per-pair gradient coefficients) पेश करता है, जिससे DPO के अंतर्निहित एसिमेट्रिक लर्निंग बायस को ठीक किया जाता है और न्यूनतम कार्यान्वयन परिवर्तनों के साथ बेहतर अलाइनमेंट प्रदर्शन प्राप्त किया जाता है।
यह शोधपत्र BiCo का प्रस्ताव करता है, जो एक प्रशिक्षण-मुक्त (training-free) ढांचा है जो द्विपद अंतःक्रियाओं (bilinear interactions) पर आधारित द्वि-स्थान संरेखण (dual-space alignment) समस्या के रूप में इस प्रक्रिया को तैयार करके विभिन्न पूर्व-प्रशिक्षित मॉडलों के बीच टास्क-वेक्टर स्थानांतरण में सुधार करता है, जिससे यह बिना किसी अतिरिक्त फाइन-ट्यूनिंग की आवश्यकता के विभिन्न आर्किटेक्चरों में मौजूदा विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र यह प्रदर्शित करता है कि एक्टिवेशन कंसिस्टेंसी ट्रेनिंग (ACT), जो स्वच्छ और प्रतिकूल प्रॉम्प्ट्स के लिए समान आंतरिक प्रतिनिधित्व को लागू करता है, रिफ्यूज़ल (अस्वीकार करने) के लिए एक व्याख्यात्मक, रैखिक स्टीयरिंग दिशा बनाकर और सौहार्दपूर्ण प्रदर्शन को बनाए रखते हुए, रीजनिंग मॉडल्स में एडेप्टिव जेलब्रेक हमलों को प्रभावी ढंग से कम करता है।
यह शोध पत्र यह प्रदर्शित करके अधिकतम संभावना (maximum likelihood) और इष्टतम परिवहन (optimal transport) के बीच एक सेतु बनाता है कि अन-रेगुलराइज्ड सेमी-रिलैक्स्ड ग्रोमोव-वासरस्टीन अनुमानक (unregularized semi-relaxed Gromov-Wasserstein estimators) निरंतर स्टोकेस्टिक ब्लॉक मॉडल (Stochastic Block Model) मापदंडों को पुनर्प्राप्त करते हैं और, जब स्पैरसिटी-प्रमोटिंग तंत्रों (sparsity-promoting mechanisms) के साथ संवर्धित किए जाते हैं, तो वे खर्चीली ग्रिड खोजों के बिना कुशल समवर्ती अनुमान और मॉडल चयन को सक्षम करते हैं।
यह शोध पत्र एक नवीन दो-चरणीय मैनिफोल्ड अनुकूलन ढांचे का प्रस्ताव करता है जो अज्ञात संख्या में हाइपरप्लेन को फिट करने की समस्या को एक यूनिट स्फीयर (इकाई गोले) पर अनसुपरवाइज्ड लर्निंग कार्य के रूप में पुनर्गठित करता है, जिसमें भारी-पूंछ वाले कर्नेल (heavy-tailed kernels) के साथ एक रीमानियन एक्सपेक्टेशन-मैक्सिमाइजेशन प्रक्रिया और एक प्रक्षिप्त घनत्व अनुमान (projected density estimation) इनिशियलाइजेशन का उपयोग किया गया है ताकि मजबूत, ज्यामितीय रूप से सुसंगत समाधान प्राप्त किए जा सकें जो अत्याधुनिक विधियों से बेहतर प्रदर्शन करते हैं।
यह शोध पत्र टाइम-सीरीज जनरेटर के रूप में स्ट्रक्चर्ड लीनियर कंट्रोल्ड डिफरेंशियल इक्वेशंस (SLiCEs) की सैद्धांतिक सार्वभौमिकता स्थापित करता है और जेनेरेटिव SLiCEs (G-SLiCEs) को प्रस्तुत करता है, जो एक निरंतर-समय प्रवाह मिलान मॉडल (continuous-time flow matching model) है जो संभाव्य पूर्वानुमान (probabilistic forecasting) में बेहतर प्रदर्शन और अनियमित अवलोकन ग्रिडों के प्रति अनुकूलनशीलता प्राप्त करने के लिए इस अभिव्यक्तता का लाभ उठाता है।
यह शोध पत्र एक नवीन अपघटन और लयापुनोव फलन दृष्टिकोण के माध्यम से तीक्ष्ण, डेटा-निर्भर एल्गोरिद्मिक स्थिरता सीमाएँ स्थापित करके स्टोकेस्टिक वेरिएंस रिड्यूस्ड ग्रेडिएंट (SVRG) पद्धति का प्रथम गैर-रिक्त सामान्यीकरण विश्लेषण प्रस्तुत करता है, जिससे इष्टतम अतिरिक्त जनसंख्या जोखिम सीमाओं को प्राप्त करने के लिए अनुकूलन और सामान्यीकरण के बीच के अंतर्संबंध को स्पष्ट किया जा सके।