cs.LG पेपर | Gist.Science

Normative Networks for Source Separation via Local Plasticity and Dendritic Computation

यह शोध पत्र प्रेडिक्टिव एंट्रॉपी मैक्सिमाइजेशन (Predictive Entropy Maximization) को प्रस्तुत करता है, जो ब्लाइंड सोर्स सेपरेशन के लिए एक जैविक रूप से सुसंगत ऑनलाइन एल्गोरिदम है, जो केवल स्थानीय भार अपडेट (local weight updates), डेंड्रिटिक एरर-ड्रिवन लर्निंग (dendritic error-driven learning) और अनुकूली पार्श्व निषेध (adaptive lateral inhibition) का उपयोग करके संरचित और सहसंबंधित स्रोतों पर प्रतिस्पर्धी प्रदर्शन प्राप्त करता है।

Bariscan Bozkurt, Efe Ali Gorguner, Francesco Innocenti, Rafal Bogacz2026-05-20

🤖 machine learning

Detecting Fluent Optimization-Based Adversarial Prompts via Sequential Entropy Changes

यह शोध पत्र CPD Online को प्रस्तुत करता है, जो एक प्रशिक्षण-मुक्त (training-free), मॉडल-अज्ञेय (model-agnostic) डिटेक्टर है जो टोकन-स्तरीय एंट्रॉपी स्ट्रीम पर अनुक्रमिक चेंज-पॉइंट डिटेक्शन लागू करके सुव्यवस्थित अनुकूलन-आधारित (optimization-based) प्रतिकूल प्रॉम्प्ट्स की पहचान करता है, और मौजूदा परप्लेक्सिटी-आधारित विधियों की तुलना में बेहतर सटीकता और सटीक स्थानीयकरण प्राप्त करते हुए डाउनस्ट्रीम सुरक्षा फिल्टरों के लिए कम्प्यूटेशनल ओवरहेड को कम करता है।

Mohammed Alshaalan, Miguel R. D. Rodrigues2026-05-20

🤖 machine learning

Your Neighbors Know: Leveraging Local Neighborhoods for Backdoor Detection in Decentralized Learning

यह शोध पत्र Argus को प्रस्तुत करता है, जो एक नवीन विकेंद्रीकृत बैकडोर डिटेक्शन फ्रेमवर्क है जो डेटा विषमता के तहत भी मॉडल उपयोगिता और अभिसरण गारंटी को बनाए रखते हुए, दुर्भावनापूर्ण नोड्स की पहचान करने और उन्हें हटाने के लिए स्थानीय पड़ोस सहयोग और संरचनात्मक समानता मेट्रिक्स का लाभ उठाता है, बिना किसी केंद्रीय समन्वयक के उच्च हमला शमन प्राप्त करता है।

Sayan Biswas, Antoine Boutet, Davide Frey, Romaric Gaudel, Rachid Guerraoui, Maxime Jacovella, Anne-Marie Kermarrec, Dim (…)2026-05-20

🤖 machine learning

Learning with Foresight: Enhancing Neural Routing Policy via Multi-Node Lookahead Prediction

यह शोध पत्र मल्टी-नोड लुकअहेड प्रेडिक्शन (MnLP) प्रस्तुत करता है, जो एक नवीन प्रशिक्षण रणनीति है जो भविष्य के कई नोड्स का प्रशिक्षण के दौरान एक साथ पूर्वानुमान लगाकर न्यूरल रूटिंग नीतियों को बेहतर बनाती है ताकि अल्पदृष्टि वाले निर्णय लेने की प्रक्रिया पर विजय प्राप्त की जा सके और बिना किसी इन्फरेंस ओवरहेड के दीर्घकालिक योजना में सुधार किया जा सके।

Xia Jiang, Yaoxin Wu, Yew-Soon Ong, Yingqian Zhang2026-05-20

🤖 machine learning

Minimalist Visual Inertial Odometry

यह शोध पत्र विभेदक-ड्राइव (differential-drive) रोबोटों के लिए एक न्यूनतम विजुअल-इनर्शियल ओडोमेट्री (Visual-Inertial Odometry) प्रणाली प्रस्तुत करता है जो केवल चार फोटोडायोड मापों और IMU कोणीय डेटा के संयोजन से गति को डिकोड करने के लिए ऑप्टिकल गैबोर मास्क (Gabor masks) और एक टेम्पोरल कन्वोल्यूशनल नेटवर्क (Temporal Convolutional Network) को संयुक्त रूप से अनुकूलित करके सुदृढ़ समतलीय गति अनुमान प्राप्त करता है, जिससे उच्च-रिज़ॉल्यूशन कैमरों या वास्तविक दुनिया के फाइन-ट्यूनिंग की आवश्यकता समाप्त हो जाती है।

Francesco Pasti, Jeremy Klotz, Nicola Bellotto, Shree K. Nayar2026-05-20

🤖 machine learning

LLM Benchmark Datasets Should Be Contamination-Resistant

यह शोध पत्र तर्क देता है कि LLM बेंचमार्क डेटासेट को संदूषण-प्रतिरोधी (contamination-resistant) बनाने के लिए पुनर्गठित किया जाना चाहिए—जो प्रशिक्षण के दौरान सीखने में असमर्थ हो लेकिन अनुमान (inference) के दौरान हल करने योग्य बना रहे—ताकि संरचनात्मक विषमताओं और गणितीय प्रगतियों का लाभ उठाकर विश्वसनीय और पुनरुत्पादनीय मॉडल मूल्यांकन सुनिश्चित किया जा सके।

Ali Al-Lawati, Jason Lucas, Dongwon Lee, Suhang Wang2026-05-20

🤖 machine learning

Fine-Tuning Without Forgetting via Loss-Adaptive Learning Rates

यह शोध पत्र FINCH को प्रस्तुत करता है, जो एक लॉस-एडेप्टिव (loss-adaptive) लर्निंग रेट शेड्यूल है जो फाइन-ट्यूनिंग ऑब्जेक्टिव में बिना किसी बदलाव के प्रशिक्षण लॉस के आधार पर लर्निंग रेट को गतिशील रूप से समायोजित करके लार्ज लैंग्वेज मॉडल्स में कैटास्ट्रोफिक फॉरगेटिंग (catastrophic forgetting) को कम करता है, जिससे कार्य प्रदर्शन को बनाए रखते हुए फॉरगेटिंग में महत्वपूर्ण कमी प्राप्त होती है।

Parjanya Prajakta Prashant, Jiongli Zhu, Aldan Creo, Babak Salimi2026-05-20

🤖 machine learning

Training Neural Networks with Optimal Double-Bayesian Learning

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।

Vy Bui, Hang Yu, Karthik Kantipudi, Ziv Yaniv, Stefan Jaeger2026-05-20

🤖 machine learning

Take It or Leave It: Intent-Controlled Partial Optimal Transport

यह शोध पत्र इन्टेंट-कंट्रोल्ड पार्शियल ऑप्टिमल ट्रांसपोर्ट (IC-POT) प्रस्तुत करता है, जो एक नवीन ढांचा है जो ग्लोबल मास रिजेक्शन को साइड इन्फॉर्मेशन पर आधारित पॉइंटवाइज, इन्टेंट-ड्रिवन रिजेक्शन कॉस्ट से बदलकर पार्शियल ऑप्टिमल ट्रांसपोर्ट का सामान्यीकरण करता है, जिससे पॉजिटिव-अनलेबल लर्निंग और मल्टी-मोडल सैटेलाइट डेटा विश्लेषण जैसे अनुप्रयोगों में अधिक संरचित और विश्वसनीय मिलान सक्षम होता है।

Salil Parth Tripathi, Bertrand Chapron, Fabrice Collard, Nicolas Courty, Ronan Fablet2026-05-20✓ Author reviewed ⓘ

🤖 machine learning

Active Context Selection Improves Simple Regret in Contextual Bandits

यह शोध पत्र यह प्रदर्शित करता है कि कॉन्टेक्स्टुअल मल्टी-आर्म्ड बैंडिट्स में संदर्भों (contexts) को निष्क्रिय रूप से प्राप्त करने के बजाय, सक्रिय रूप से यह चुनना कि किन संदर्भों का नमूना लिया जाए, संदर्भ वितरण (context distribution) के आधार पर आवंटन रणनीति को अनुकूलित करके वर्स्ट-केस सिंपल रिग्रेट दरों में महत्वपूर्ण सुधार करता है, जिसमें एक प्रस्तावित एल्गोरिदम उन इष्टतम दरों को प्राप्त करता है, भले ही वितरण शुरुआत में अज्ञात हो।

Mohammad Shahverdikondori, Jalal Etesami, Negar Kiyavash2026-05-20

← पिछला अगला →