652 पेपर
यह शोध पत्र इमर्जेंट मॉडल्स (Emergent Models) को प्रस्तुत करता है, जो एक मशीन लर्निंग प्रतिमान है जहाँ सेलुलर ऑटोमेटा जैसे सरल, ओपन-एंडेड डायनेमिकल सबस्ट्रेट्स को उभरते हुए कम्प्यूटेशनल व्यवहारों के माध्यम से कार्यों को हल करने के लिए विकसित किया जाता है, जो यह प्रदर्शित करता है कि ऐसे न्यूनतम सिस्टम पारंपरिक डिफरेंशिएबल आर्किटेक्चर से परे लेटेंट यूनिवर्सलिटी और ग्लोबल जनरलाइजेशन प्राप्त कर सकते हैं।
यह शोध पत्र एक अनुकूली सुरक्षा तंत्र का प्रस्ताव करता है जो विकासवादी प्रतीकात्मक प्रतिगमन (evolutionary symbolic regression) के दौरान मूल्यवान निर्मित विशेषताओं को चुनिंदा रूप से संरक्षित करने के लिए विशेषता महत्व मेट्रिक्स का उपयोग करता है, जिससे महत्वपूर्ण आनुवंशिक सामग्री की हानि को रोका जा सकता है और रिग्रेशन एवं वर्गीकरण दोनों कार्यों में समाधान की गुणवत्ता में महत्वपूर्ण सुधार किया जा सकता है।
1.3 मिलियन से अधिक सॉफ्ट रोबोटों के मॉर्फोलॉजी-फिटनेस लैंडस्केप का व्यापक रूप से मानचित्रण करते हुए, यह अध्ययन प्रकट करता है कि जबकि विकासवादी ब्रेन-बॉडी सह-अनुकूलन (co-optimization) लक्ष्य-परिवर्तन (goal-switching) के माध्यम से अद्वितीय प्रदर्शन लाभ प्रदान कर सकता है, यह रूपात्मक क्षमता (morphological potential) के चयन में लगातार विफल रहता है क्योंकि यह अक्सर आशाजनक नए उत्परिवर्तित शरीरों को कम आंकता है और उन्हें समाप्त कर देता है।
यह शोध पत्र "रूपात्मक संज्ञान" (morphological cognition) का एक प्रयोगात्मक प्रदर्शन प्रस्तुत करता है, जो यह दर्शाता है कि निश्चित व्यवहारों वाले सिम्युलेटेड वोक्सेल्स (voxels) से निर्मित एक रोबोट बिना किसी तंत्रिका परिपथ (neural circuitry) के उपयोग के, MNIST अंकों (विशेष रूप से 0 और 1 के बीच अंतर करने) को वर्गीकृत कर सकता है और उसी के अनुसार आगे बढ़ सकता है।
यह शोध पत्र यह प्रदर्शित करता है कि डिस्कवरी डोमेन के लिए लार्ज लैंग्वेज मॉडल्स की पोस्ट-ट्रेनिंग में इवोल्यूशन स्ट्रैटेजीज़ (ES), सुदृढीकरण लर्निंग (RL) की तुलना में बेहतर प्रदर्शन करती हैं क्योंकि वे व्यापक समाधान कवरेज और उच्च पास@k स्कोर बनाए रखती हैं, जिससे वे आउटपुट डिस्ट्रीब्यूशन कोलैप्स से बच पाती हैं जो विविध संभावित समाधान उत्पन्न करने में RL की प्रभावशीलता को सीमित करता है।
यह शोध पत्र एक डीप एसिमेट्रिक टर्नरी स्पाइकिंग क्यू-नेटवर्क (DATSQN) प्रस्तावित करता है जो ग्रेडिएंट एस्टीमेशन बायस को कम करने के लिए एक नवीन टर्नरी स्पाइकिंग न्यूरॉन मॉडल का उपयोग करता है, जिससे मौजूदा टर्नरी मॉडल्स के प्रदर्शन में गिरावट को दूर किया जा सके और सात अटाारी गेम्स में डीप क्यू-लर्निंग कार्यों में बाइनरी बेसलाइन्स से बेहतर प्रदर्शन किया जा सके।
यह शोध पत्र एडेप्टिव हाइब्रिड पार्टिकल स्वार्म ऑप्टिमाइज़ेशन (AHPSO) का प्रस्ताव करता है, जो एक ऐसी विधि है जो सुचारू स्थानीय बेसिनों पर प्रदर्शन बढ़ाने के लिए स्वार्म विविधता के आधार पर ग्रेडिएंट इंजेक्शन को स्वचालित रूप से नियंत्रित करती है, यह प्रदर्शित करते हुए कि हालांकि यह मानक PSO से सार्वभौमिक रूप से बेहतर प्रदर्शन नहीं करती है, फिर भी यह इटरेशन-मैच्ड तुलनाओं के तहत CMA-ES जैसे शीर्ष एल्गोरिदम के विरुद्ध श्रेष्ठ रैंकिंग प्राप्त करती है।
यह शोध पत्र Lapis प्रस्तुत करता है, जो एक गुणा-रहित (multiplication-free) स्पाइकिंग अटेंशन मैकेनिज्म है जो CIFAR-10 और ImageNet-1K पर अत्याधुनिक सटीकता प्राप्त करने के लिए प्रथम-स्पाइक विलंबता (first-spike latency) अंतर और एक लाप्लासियन कर्नेल का लाभ उठाता है, जबकि अंकगणितीय ऊर्जा खपत को काफी कम करता है।
यह शोध पत्र प्रदर्शित करता है कि समरूप पिवोटिंग क्यूब मॉड्यूलर रोबोट केवल स्थानीय संवेदन और सुदृढीकरण शिक्षण (reinforcement learning) का उपयोग करके दो आयामों में प्रभावी वैश्विक पुनर्गठन प्राप्त कर सकते हैं, जहाँ ग्रिड सममिति को शामिल करना मॉडल के आकार को कम करता है और बहु-चरण सूचना प्रवाह सीमित पड़ोसी अंतःक्रियाओं के बावजूद निकट-इष्टतम प्रदर्शन सक्षम करता है।
यह शोध पत्र लागत अनिश्चितता के तहत फिजिकल इंटरनेट आपूर्ति श्रृंखला नियोजन को अनुकूलित करने के लिए एक ग्राफ न्यूरल नेटवर्क-निर्देशित जेनेटिक एल्गोरिदम (GNN-GA) का प्रस्ताव देता है, जो प्रारंभिक अवस्था (इनिशियलाइजेशन) और अनिश्चितता-जागरूक उत्परिवर्तन (म्यूटेशन) के लिए सीखे गए हब-विशिष्ट फैक्ट्री-चयन की संभावनाओं का लाभ उठाता है, और जटिल तीन-स्तरीय नेटवर्क असाइनमेंट समस्याओं को हल करने में मानक जेनेटिक एल्गोरिदम और सिम्युलेटेड एनीलिंग की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है।