23413 पेपर
यह शोध पत्र ECSEL को प्रस्तुत करता है, जो एक कुशल और व्याख्या योग्य वर्गीकरण पद्धति है जो प्रतिस्पर्धी सटीकता प्राप्त करने के लिए संक्षिप्त साइनोमियल समीकरणों को सीखती है और साथ ही वैश्विक और स्थानीय स्पष्टीकरण, पूर्वाग्रह का पता लगाने और काउंटरफैक्चुअल तर्क क्षमताओं को भी प्रदान करती है।
यह शोध पत्र G-Substrate का प्रस्ताव करता है, जो एक प्रतिनिधित्व-केंद्रित ढांचा है जो एक एकीकृत संरचनात्मक स्कीमा और इंटरलीव्ड भूमिका-आधारित प्रशिक्षण के माध्यम से विषम मोडैलिटीज और कार्यों में ग्राफ संरचना को एक निरंतर आधार (सबस्ट्रेट) के रूप में मानता है, जिससे यह संरचनात्मक नियमितताओं को संचित करके पारंपरिक पृथक शिक्षण विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक इंटरैक्टिव एजेंटिक फ्रेमवर्क को प्रस्तावित करता है जिसमें एडेप्टिव एक्सप्लोरेशन पॉलिसीज़ और एक कठोर प्रोसेसिंग पाइपलाइन है ताकि लार्ज लैंग्वेज मॉडल्स की नॉलेज बाउंड्रीज़ को व्यवस्थित रूप से निकाला और मापा जा सके, जो विशिष्ट नॉलेज स्केलिंग लॉज़, स्पेशलाइज्ड और जनरल मॉडल्स के बीच परफॉरमेंस ट्रेड-ऑफ्स, और ट्रेनिंग डेटा कंपोजिशन द्वारा संचालित नॉलेज प्रोफाइल्स के मापने योग्य अंतरों को प्रकट करता है।
GraphDancer एक दो-चरणीय पोस्ट-ट्रेनिंग फ्रेमवर्क है जो एक ग्राफ-अवेयर करिकुलम का लाभ उठाता है ताकि छोटे भाषा मॉडलों को प्राकृतिक भाषा और फंक्शन कॉल्स के बीच अंतर-प्रवाह (interleaved) के माध्यम से विषम ग्राफों (heterogeneous graphs) पर प्रभावी ढंग से अन्वेषण और तर्क करने के लिए प्रशिक्षित किया जा सके, जिससे मजबूत क्रॉस-डोमेन सामान्यीकरण प्राप्त होता है जो बड़े बेसलाइन मॉडलों से बेहतर प्रदर्शन करता है।
यह शोध पत्र Rank-Learner को प्रस्तुत करता है, जो एक नवीन, मॉडल-अज्ञेय (model-agnostic), और नेयमैन-ऑर्थोगोनल (Neyman-orthogonal) दो-चरणीय ढांचा है, जो एक युग्मवार उद्देश्य (pairwise objective) को अनुकूलित करके अवलोकनात्मक डेटा से उपचार प्रभावों की रैंकिंग को सीधे सीखता है, जिससे यह सटीक कारण प्रभाव अनुमान (causal effect estimation) पर निर्भर पारंपरिक विधियों से बेहतर प्रदर्शन करता है।
यह शोधपत्र ज़ीरो-सम और जनरल-सम सेटिंग्स में सटीक और अनुमानित नैश इक्विलिब्रियम प्ले के तहत केवल देखे गए खिलाड़ी के कार्यों के आधार पर, द्वि-मैट्रिक्स (bimatrix) खेलों में व्यवहार्य पे-ऑफ फलनों (payoff functions) के अनुमान के लिए पहले मिनिमैक्स-ऑप्टिमल लर्निंग रेट्स स्थापित करता है।
यह शोध पत्र स्टोकेस्टिक डिसीजन होराइजन्स (SDH) को प्रस्तुत करता है, जो एक सैद्धांतिक रूप से आधारित ढांचा है जो उल्लंघनों को प्रभावी क्षितिज लघुकरण (horizon shortenings) के रूप में मॉडल करके कंस्ट्रेंड रिइन्फोर्समेंट लर्निंग में प्रत्येक-चरण बाधा संतुष्टि सुनिश्चित करता है, जिससे VT-MPO जैसे नवीन ऑफ-पॉलिसी एल्गोरिदम प्राप्त होते हैं जो अत्याधुनिक विधियों की तुलना में बेहतर रिवॉर्ड-उल्लंघन ट्रेड-ऑफ और प्रशिक्षण स्थिरता प्राप्त करते हैं।
यह शोध पत्र ज्यामितीय और कारण संबंधी दृष्टिकोणों का संश्लेषण करता है ताकि डिकोडर-ओनली (decoder-only) एलएलएम (LLM) में एक गहराई-निर्भर गतिशीलता को प्रकट किया जा सके जहाँ संदर्भ प्रसंस्करण (context processing) से भविष्यवाणी निर्माण (prediction formation) की ओर एक तीव्र संक्रमण एक क्रमिक ज्यामितीय पुनर्गठन द्वारा साथ आता है, जो यह प्रदर्शित करता है कि अंतिम परतों में कोणीय संरचना (angular structure) भविष्य कहने वाली समानता (predictive similarity) को कूटबद्ध करती है जबकि नॉर्म्स (norms) विच्छेदित (decoupled) रहते हैं, जिससे यह स्थापित होता है कि प्रभावी हस्तक्षेप के लिए नेटवर्क की उभरती हुई वैश्विक गतिशील संरचना को समझना आवश्यक है न कि केवल अलग-थलग परतों को।
यह शोध पत्र एक सैद्धांतिक विश्लेषण प्रस्तुत करता है जो एक प्रमुख मात्रा की पहचान करता है जो स्टोकेस्टिक ऑप्टिमाइज़ेशन में स्टेप-साइज़ संवेदनशीलता को मापता है, यह प्रदर्शित करते हुए कि SPS और NGN जैसे एडेप्टिव तरीके SGD की तुलना में अधिक सुदृढ़ हैं और एक ऐसा बाउंड प्रदान करते हैं जो नॉन-कॉन्वेक्स सेटिंग्स में भी प्रदर्शन गिरावट की सटीक भविष्यवाणी करता है।
NeuroMambaLLM एक एंड-टू-एंड फ्रेमवर्क है जो fMRI डेटा के डायनेमिक लेटेंट ग्राफ लर्निंग और माम्बा-आधारित टेम्पोरल मॉडलिंग को LoRA द्वारा संवर्धित एक फ्रोजन LLM के साथ एकीकृत करता है, जो एडेप्टिव कनेक्टिविटी विश्लेषण के माध्यम से ऑटिज्म नैदानिक वर्गीकरण और नैदानिक रूप से सार्थक टेक्स्टुअल रिपोर्ट के निर्माण, दोनों को सक्षम बनाता है।