655 पेपर
MO-CAPO एक नवीन बहु-उद्देश्यीय प्रॉम्प्ट अनुकूलन एल्गोरिदम है जो कुशल बजट आवंटन के माध्यम से लार्ज लैंग्वेज मॉडल के प्रदर्शन और अनुमान लागत (इन्फरेंस कॉस्ट) को संयुक्त रूप से अनुकूलित करता है, जो लागत-दक्षता बनाए रखते हुए विविध और सुदृढ़ प्रदर्शन-लागत ट्रेड-ऑफ की खोज करके मौजूदा विधियों से बेहतर प्रदर्शन करता है।
यह शोध पत्र समाधान की नियमितता (regularity) को इनपुट विवक्तीकरण (discretization) से जोड़ने वाले विश्लेषणात्मक बंधों को व्युत्पन्न करके और 1D और 2D बेंचमार्क पर अनुभवजन्य प्रयोगों के माध्यम से इन निष्कर्षों को मान्य करके, स्टेट स्पेस मॉडल-आधारित और फूरियर न्यूरल ऑपरेटर्स के विवक्तीकरण त्रुटि और स्थिरता के लिए सैद्धांतिक गारंटी स्थापित करता है।
यह शोध पत्र "optimize_anything" को प्रस्तुत करता है, जो एक सार्वभौमिक LLM-आधारित अनुकूलन ढांचा (optimization framework) है जो एजेंट आर्किटेक्चर डिज़ाइन, क्लाउड लागत में कमी और CUDA कर्नेल जनरेशन सहित छह विविध डोमेन में अत्याधुनिक परिणाम प्राप्त करता है—जो टेक्स्ट-आधारित खोज को मल्टी-टास्क ट्रांसफर और क्रियाशील साइड इंफॉर्मेशन के साथ एकीकृत करके विशिष्ट एल्गोरिदम से बेहतर प्रदर्शन करता है।
यह शोध पत्र एक नवीन डबल-बेयसियन संभाव्य ढांचे (double-Bayesian probabilistic framework) को प्रस्तुत करता है जो स्टोकेस्टिक ग्रेडिएंट डिसेंट के लिए एक इष्टतम लर्निंग रेट को सैद्धांतिक रूप से व्युत्पन्न करता है, और व्यापक प्रयोगों के माध्यम से यह प्रदर्शित करता है कि यह दृष्टिकोण विभिन्न कार्यों में न्यूरल नेटवर्क प्रशिक्षण को प्रभावी ढंग से बढ़ाता है।
यह शोधपत्र इवोट्रेस (EvoTrace), जो विकासवादी कोडिंग ट्रेसेस का एक डेटासेट है, और इवोरिप्ले (EvoReplay), जो एक रिप्ले-आधारित कार्यप्रणाली है, को प्रस्तुत करता है, जिससे यह प्रकट होता है कि विकासवादी कोडिंग एजेंटों में प्रदर्शन लाभ अक्सर वास्तविक एल्गोरिद्मिक नवाचार के बजाय री-ट्यूनिंग या मौजूदा ज्ञान के पुन: उपयोग जैसे विविध तंत्रों से उत्पन्न होते हैं, जैसा कि कोड लाइनों के बार-बार होने वाले नियतात्मक चक्रण (deterministic cycling) से प्रमाणित होता है।
यह शोध पत्र इनपुट आयाम के सापेक्ष प्रमुख कार्यों, जिनमें धनात्मकता (positivity) का निर्णय लेना, लिप्सचिट्ज़ स्थिरांक (Lipschitz constants) की गणना करना और ज़ोनोटोप समावेशन (zonotope containment) शामिल हैं, को W[1]-हार्ड सिद्ध करके न्यूरल नेटवर्क सत्यापन की पैरामीटराइज्ड जटिलता से संबंधित खुली समस्याओं का समाधान करता है, जिससे यह स्थापित होता है कि एक्सपोनेंशियल टाइम हाइपोथीसिस (Exponential Time Hypothesis) के तहत सहज गणनात्मक विधियाँ (naive enumeration methods) अनिवार्य रूप से इष्टतम हैं।
यह शोध पत्र स्वायत्त ड्राइविंग के लिए एक अनुकूली नियंत्रण ढांचे (adaptive control framework) को प्रस्तुत करता है जो ऑफलाइन बिहेवियरल क्लोनिंग को LrcSSM का उपयोग करके ऑनलाइन रियल-टाइम रिकरेंट रीइन्फोर्समेंट लर्निंग (RTRRL) फाइन-ट्यूनिंग के साथ जोड़ता है, जो कार रेसिंग सिमुलेशन और इवेंट कैमरा से लैस 1:10-स्केल रोबोरेसर प्लेटफॉर्म पर वास्तविक दुनिया के प्रयोगों, दोनों में वितरण बदलावों (distribution shifts) के प्रति बेहतर नीति अनुकूलन को सफलतापूर्वक प्रदर्शित करता है।
यह शोध पत्र बाइनरी क्रिस्टल सिस्टम में फॉर्मेशन ऊर्जा की भविष्यवाणी करने के लिए मंटा रे फ़ॉरैजिंग विद लेवी फ़्लाइट (EELM-MRFO-LF) द्वारा अनुकूलित एक इवोल्यूशनरी एक्सट्रीम लर्निंग मशीन का प्रस्ताव करता है, जो प्रशिक्षण प्रक्रिया के दौरान जनसंख्या विविधता को बढ़ाने और स्थानीय इष्टतम (लोकल ऑप्टिमा) से बचने के लिए लेवी फ़्लाइट का उपयोग करता है।
यह गणनात्मक अध्ययन प्रदर्शित करता है कि वॉन इकोनॉमो न्यूरॉन्स एक स्थिर ग्रेडिएंट पाथवे प्रदान करके रिकरेंट स्पाइकिंग न्यूरल नेटवर्क में विश्वसनीय शिक्षण के लिए महत्वपूर्ण मचान (स्कैफोल्ड) के रूप में कार्य करते हैं, जो ऑटिज्म स्पेक्ट्रम स्थितियों और व्यवहारिक-परिवर्तित फ्रंटोटेम्पोरल डिमेंशिया में देखे जाने वाले परिवर्तनशील सामाजिक कौशल अधिग्रहण के घाटे के लिए एक यांत्रिक स्पष्टीकरण प्रदान करता है।
यह शोध पत्र "सेफ ASNG" का प्रस्ताव करता है, जो एक नवीन अनुकूलन एल्गोरिदम है जो बाइनरी सर्च स्पेस में एडेप्टिव स्टोकेस्टिक नेचुरल ग्रेडिएंट विधि का विस्तार करने के लिए डिस्क्रीट वॉल्श फंक्शन-आधारित सरोगेट मॉडल का उपयोग करके लिप्सचिट्ज़ स्थिरांक (Lipschitz constants) का अनुमान लगाता है और समाधानों को सुरक्षित क्षेत्रों में प्रोजेक्ट करता है, जिससे अनुकूलन दक्षता बनाए रखते हुए असुरक्षित मूल्यांकनों को प्रभावी ढंग से दबाया जा सके।