660 पेपर
यह शोध पत्र यह प्रदर्शित करता है कि सपोर्ट वेक्टर मशीनों को एल्गोरिदम के कम्प्यूटेशनल पहलुओं को मॉडल करने के लिए उनके स्थिर-अवस्था गतिकी (steady-state dynamics) का लाभ उठाकर रासायनिक अभिक्रिया नेटवर्कों द्वारा कार्यान्वित किया जा सकता है, जिससे मशीन लर्निंग के लिए एक नवीन जैव-रासायनिक रूपरेखा स्थापित होती है।
यह शोध पत्र GENPACK प्रस्तुत करता है, जो एक KPI-निर्देशित जेनेटिक एल्गोरिदम है जो औद्योगिक ऑर्डर्स के लिए स्थिर, संतुलित और स्थान-कुशल 3D बिन पैकिंग समाधान उत्पन्न करने के लिए डोमेन-विशिष्ट ऑपरेटर्स और कंस्ट्रक्टिव ह्यूरिस्टिक्स को एकीकृत करता है, जो वास्तविक दुनिया के बेंचमार्क पर मौजूदा ह्यूरिस्टिक्स और लर्निंग-आधारित विधियों से काफी बेहतर प्रदर्शन करता है।
यह अध्ययन एक आवृत्ति-जागरूक (frequency-aware) ढांचे का प्रस्ताव करता है जो EEG संकेतों को पांच बैंडों में विभाजित करता है, विभेदक विशेषताओं (discriminative features) को निकालता है, और स्थानिक इलेक्ट्रोड निर्भरताओं को मॉडल करने के लिए एक ग्राफ कनवल्शनल न्यूरल नेटवर्क (GCN) का उपयोग करता है, जिससे CHB-MIT डेटासेट पर उच्च दौरे का पता लगाने की सटीकता और बेहतर व्याख्यात्मकता प्राप्त होती है।
यह शोधपत्र सेट-आधारित वैल्यू फंक्शन्स के माध्यम से उन्हें अभिलक्षणित करके और इन फंक्शन्स को सीखने तथा स्थिर करने वाले नियंत्रकों को संश्लेषित करने के लिए एक फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क का उपयोग करके, इनपुट-प्रतिबंधित डिस्क्रीट-टाइम सिस्टम में स्थिरीकरण के डोमेनों (domains of stabilization) का अनुमान लगाने के लिए एक नवीन ढांचे का प्रस्ताव करता है।
यह शोध पत्र एक पदानुक्रमित महत्व-निर्देशित बहु-उद्देश्यीय विकासवादी ढांचे (hierarchical importance-guided multi-objective evolutionary framework) का प्रस्ताव करता है जो महत्वपूर्ण पैरामीटर कटौती के साथ न्यूनतम सटीकता हानि प्राप्त करने के लिए मोटे निरंतर अन्वेषण (coarse continuous exploration) को सूक्ष्म बाइनरी अनुकूलन (fine-grained binary optimization) के साथ जोड़कर मौजूदा डीप न्यूरल नेटवर्क प्रूनिंग विधियों की स्केलेबिलिटी और अभिसरण सीमाओं को दूर करता है।
यह शोध पत्र SKTD का प्रस्ताव करता है, जो एक नवीन ढांचा (framework) है जो इवोल्यूशनरी मल्टीटास्किंग ऑप्टिमाइज़ेशन के लिए ज्ञान हस्तांतरण विधियों को स्वायत्त रूप से उत्पन्न और अनुकूलित करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे डिज़ाइन प्रक्रिया को स्वचालित किया जा सके और मैनुअल एवं प्रोग्राम-सर्च-आधारित दृष्टिकोणों की तुलना में विविध परिदृश्यों में बेहतर प्रदर्शन प्राप्त किया जा सके।
यह शोध पत्र LLM-Meta-SR को प्रस्तुत करता है, जो एक मेटा-लर्निंग फ्रेमवर्क है जो इवोल्यूशनरी सिम्बोलिक रिग्रेशन के लिए ब्लोट कंट्रोल के साथ ऑटोमैटिक रूप से सिमेंटिक्स-अवेयर सिलेक्शन ऑपरेटर्स को डिजाइन करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जिससे कई डेटासेट्स पर विशेषज्ञ-डिज़ाइन किए गए बेसलाइन्स और मौजूदा एल्गोरिदम दोनों से बेहतर प्रदर्शन करते हुए अत्याधुनिक (state-of-the-art) प्रदर्शन प्राप्त होता है।
यह शोध पत्र एक ऐसे नवीन ढांचे का प्रस्ताव करता है जो ऑटो-ट्यूनिंग के लिए विशिष्ट अनुकूलन एल्गोरिदम (optimization algorithms) को स्वचालित रूप से उत्पन्न करने और उन्हें पुनरावृत्ति के माध्यम से परिष्कृत करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, यह प्रदर्शित करते हुए कि ये LLM-डिज़ाइन किए गए ऑप्टिमाइज़र विविध वास्तविक दुनिया के अनुप्रयोगों और हार्डवेयर प्लेटफॉर्म्स पर अत्याधुनिक मानव-डिज़ाइन किए गए तरीकों से काफी बेहतर प्रदर्शन कर सकते हैं।
यह शोध पत्र ऊर्जा-जागरूक अनुकूलन एल्गोरिदम बनाने के लिए मेटाहेयुरिस्टिक्स में मशीन लर्निंग सरोगेट्स के एकीकरण की जांच करता, यह प्रदर्शित करते हुए कि जबकि पूर्व-प्रशिक्षित सरोगेट्स ऊर्जा खपत, निष्पादन समय और मेमोरी उपयोग को काफी कम कर सकते हैं, उनका अपनाना दक्षता लाभ और समाधान सटीकता पर संभावित प्रभावों के बीच एक सूक्ष्म व्यापार-ऑफ विश्लेषण की मांग करता है।
यह शोध पत्र एक हाइब्रिड दूरी-आधारित फायरफ्लाई एल्गोरिदम (FAmv) प्रस्तावित करता है जो निरंतर (continuous), क्रमिक (ordinal) और श्रेणीगत (categorical) चरों को एक एकीकृत आकर्षण तंत्र में एकीकृत करके मिश्रित-चर अनुकूलन समस्याओं को प्रभावी ढंग से संभालता है, जो अत्याधुनिक तरीकों की तुलना में बेंचमार्क और इंजीनियरिंग डिजाइन कार्यों पर बेहतर प्रदर्शन प्रदर्शित करता है।