cs.LG ورقة بحثية

TASER: Task-Aware Stein Regularisation for Geometry-Driven Robustness

تقدم الورقة البحثية إطار عمل TASER، وهو إطار تنظيم في وقت التدريب يعتمد على مؤثرات "لانجفان شتاين" (Langevin Stein) يعمل على تعزيز متانة واستقرار الشبكات العميقة ضد تغيرات التوزيع والاضطرابات العدائية من خلال إحداث نعومة متباينة ومعتمدة على المهمة دون المساس بدقة البيانات النظيفة.

Michał Kozyra, Gesine Reinert2026-06-01

🤖 machine learning

Constrained Flow Optimization via Sequential Fine Tuning for Molecular Design

تقدم هذه الورقة البحثية "تحسين التدفق المقيد" (CFO)، وهو خوارزمية متقاربة بشكل مثبت توازن بين تعظيم المكافأة والامتثال للقيود في التصميم الجزيئي من خلال اختزال المشكلة إلى الضبط الدقيق المتسلسل لنماذج التدفق التوليدية.

Sven Gutjahr, Riccardo De Santi, Luca Schaufelberger, Kjell Jorner, Andreas Krause2026-06-01

📊 statistics

Reward Learning from Best-of- $N$ Preference Data: Targets, Tradeoffs, and Design Principles

تحلل هذه الورقة تعلم المكافأة من بيانات التفضيل من نوع "الأفضل من N" عبر اشتقاق أهداف ذات صيغة مغلقة للمتغيرات المستقلة، وتوصيف المقايضة بين الهامش والاتصال التي تملي الاختيار الأمثل لـ N، واقتراح مبادئ تصميمية لموازنة تكاليف التوليد مقابل كفاءة التسمية.

Rattana Pukdee, Maria-Florina Balcan, Pradeep Ravikumar2026-06-01

📊 statistics

Active Timepoint Selection for Learning Measure-Valued Trajectories

تقدم هذه الورقة إطار عمل جديد للتعلم النشط يستفيد من النقل الأمثل الخطي لتعيين التوزيعات الاحتمالية في نموذج عملية غاوس، مما يتيح الاختيار الاستراتيجي لأوقات القياس المثلى لاستنتاج المسارات المستمرة من لقطات متباعدة ومدمرة في مجالات مثل بيولوجيا الخلية الواحدة.

Nicolas Huynh, Mihaela van der Schaar2026-06-01

🤖 AI

Rationalize: Shared Semantic Reasoning for Human-AI Alignment

تقدم الورقة البحثية "Rationalize"، وهو إطار عمل قائم على ثنائية الأدوار يعزز التوافق بين الإنسان والذكاء الاصطنا_عي في عملية استنباط المعنى القائمة على البيانات من خلال إنشاء مساحة استدلال مشتركة حيث تقوم الأدوار المتكاملة بصياغة القصد والمنطق بشكل صريح لتسهيل الفهم والتعاون ثنائي الاتجاه.

Aritra Dasgupta, Naga Datha Saikiran Battula, Avina Nakarmi, Sohom Sen, Subhodeep Ghosh, Xun Song2026-06-01

🧬 biology

CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment

يُعد CellBRIDGE إطار عمل مبتكر يعزز استنتاج المسار في تسلسل الحمض النووي الريبي أحادي الخلية من خلال دمج تكاليف التواصل بين الخلايا بوساطة الربيطة والمستقبل في النقل الأمثل، مما يحسن دقة إعادة بناء الديناميكيات الخلوية ويُمكّن من إجراء تجارب محاكاة للاضطرابات ذات التفسير الميكانيكي.

Silas Ruhrberg Estévez, Nicolas Huynh, Tennison Liu, Roderik M. Kortlever, Gerard I. Evan, David L. Bentley, Mihaela van (…)2026-06-01

🤖 machine learning

CSULoRA: Closest Safe Update Low-Rank Adaptation

تُعد CSULoRA طريقةً لاحقة (post-hoc) تحافظ على سلامة النماذج اللغوية الكبيرة المضبوطة دقيقًا من خلال تقدير فضاء فرعي متوافق مع السلامة وتطبيق حل تقليلي ذي تغيير أدنى بصيغة مغلقة لتخفيف اتجاهات تحديثات LoRA غير الآمنة مع الاحتفاظ بالمنفعة ذات الصلة بالمهمة.

Oleksandr Marchenko Breneur, Adelaide Danilov, Aria Nourbakhsh, Salima Lamsiyah2026-06-01

🤖 machine learning

Diffusion Models Preferentially Memorize Prototypical Examples or: Why Does My Diffusion Model Love Slop?

تُثبت هذه الورقة أن نماذج الانتشار تحفظ وتنتج بشكل مفرط الأمثلة النموذجية المكونة من سلاسل فرعية شائعة بدلاً من العينات النادرة أو غير النمطية، مما يعني أن تنوع البيانات عند مستويات التجريد الأعلى أمر بالغ الأهمية لمنع الحفظ وما ينتج عنه من "هراء" (slop) في المخرجات المولدة.

Marta Aparicio Rodriguez, Anastasia Borovykh, Grigorios A. Pavliotis, Daniel J. Korchinski2026-06-01

🤖 machine learning

Convergence of Steepest Descent and Adam under Non-Uniform Smoothness

تثبت هذه الورقة أنه بموجب فرضية نعومة غير منتظمة حيث يكون الانحناء دالة تآلفية لقيمة الهدف، تحقق طريقة الانحدار الاشتقاقي والطرق التكيفية مثل Adam وRMSProp معدلات تقارب خطي أسرع بشكل مثبت من طريقة انحدار التدرج التقليدية والمتغيرات الأخرى لمشكلات مثل الانحدار اللوجستي، وتدرج السياسة لبرمجية Softmax، وشبكات عصبية محددة.

Sharan Vaswani, Yifan Sun, Reza Babanezhad2026-06-01

🤖 machine learning

LARK: Learnability-Grounded Trajectory Selection for Efficient Reasoning Distillation

تقدم هذه الورقة البحثية LARK، وهو إطار عمل قائم على القابلية للتعلم يختار بكفاءة مسارات استدلال المعلم لعملية التقطير من خلال إعطاء الأولوية لتلك التي تزيد من معدل تعلم نموذج الطالب مع الحفاظ على التغطية التوزيعية، مما يجعله يتفوق على أساليب الاختيار الحالية القائمة على الاستدلال التجريبي.

Tianrun Yu, Kaixiang Zhao, Chih-Chun Chen, Amanda Hughes, Taylor W. Killian, Fenglong Ma, Weitong Zhang, Porter Jenkins2026-06-01

→ السابق التالي ←

cs.LG

TASER: Task-Aware Stein Regularisation for Geometry-Driven Robustness

Constrained Flow Optimization via Sequential Fine Tuning for Molecular Design

Reward Learning from Best-of-NNN Preference Data: Targets, Tradeoffs, and Design Principles

Active Timepoint Selection for Learning Measure-Valued Trajectories

Rationalize: Shared Semantic Reasoning for Human-AI Alignment

CellBRIDGE: Learning Cellular Trajectories via Interaction-Aware Alignment

CSULoRA: Closest Safe Update Low-Rank Adaptation

Diffusion Models Preferentially Memorize Prototypical Examples or: Why Does My Diffusion Model Love Slop?

Convergence of Steepest Descent and Adam under Non-Uniform Smoothness

LARK: Learnability-Grounded Trajectory Selection for Efficient Reasoning Distillation

Reward Learning from Best-of- $N$ Preference Data: Targets, Tradeoffs, and Design Principles