🤖 Category

cs.LG

24235 पेपर

🧬 biology

PACE: Geometry-Aware Bridge Transport for Single-Cell Trajectory Inference

PACE एक ज्यामिति-जागरूक (geometry-aware) ढांचा है जो एक अनिसोट्रोपिक रीमानियन मेट्रिक (anisotropic Riemannian metric) को सीखने और क्रॉस-टाइम कपलिंग्स को परिष्कृत करने तथा न्यूरल ब्रिजेस को फिट करने के बीच बारी-बारी से कार्य करने के माध्यम से विनाशकारी टाइम-कोर्स स्नैपशॉट्स से निरंतर सिंगल-सेल प्रक्षेपवक्रों (trajectories) को पुनर्गठित करता है, जिससे बिना किसी स्पष्ट सेल पेयरिंग या वंश अनुरेखण (lineage tracing) की आवश्यकता के उत्कृष्ट पुनर्निर्माण सटीकता और आरएनए-वेलोसिटी संरेखण प्राप्त होता है।

Chenglei Yu*, Chuanrui Wang*, Bangyan Liao, Tailin Wu2026-05-19
🤖 machine learning

Physics-Aligned Canonical Equivariant Fourier Neural Operator under Symmetry-Induced Shifts

यह शोध पत्र PACE-FNO को प्रस्तुत करता है, जो एक न्यूरल ऑपरेटर आर्किटेक्चर है जो ली-एल्जेब्रा अनुमानकों (Lie-algebra estimators) और कैनोनिकल फ्रेम्स का उपयोग करके समन्वय संरेखण (coordinate alignment) को भौतिक विकास (physical evolution) से अलग करता है, ताकि मानक फूरियर न्यूरल ऑपरेटरों की तुलना में समरूपता-प्रेरित बदलावों (symmetry-induced shifts) के तहत काफी बेहतर आउट-ऑफ-डिस्ट्रीब्यूशन सामान्यीकरण प्राप्त किया जा सके।

Jiaxiao Xu, Changhong Mou, Yeyu Zhang, Fengxiang He2026-05-19
🤖 machine learning

Perfect Parallelization in Mini-Batch SGD with Classical Momentum Acceleration

यह शोधपत्र एक सामान्य सैद्धांतिक ढांचा स्थापित करता है जो यह प्रदर्शित करता है कि स्टोकेस्टिक मिनी-बैच अनुकूलन (stochastic mini-batch optimization) में शास्त्रीय मोमेंटम त्वरण (classical momentum acceleration), एक संतृप्ति बिंदु (saturation point) तक बैच आकार के साथ रैखिक रूप से स्केल करता है, जिससे न्यूनतम शोर संबंधी धारणाओं के तहत पूर्ण समानांतरकरण (perfect parallelization) सक्षम होता है।

Sachin Garg, Michał Dereziński2026-05-19
🤖 machine learning

Stochastic Penalty-Barrier Methods for Constrained Machine Learning

यह शोध पत्र स्टोकेस्टिक पेनल्टी-बैरियर मेथड (SPBM) प्रस्तुत करता है, जो एक नवीन एल्गोरिदम है जो शास्त्रीय पेनल्टी और बैरियर तकनीकों को नॉन-कॉन्वेक्स, नॉन-स्मूथ और स्टोकेस्टिक डीप लर्निंग परिवेशों तक विस्तारित करता है, और 10,000 बाधाओं तक वाली समस्याओं के लिए भी न्यूनतम कम्प्यूटेशनल ओवरहेड के साथ मौजूदा बेसलाइनों के समान या बेहतर प्रदर्शन प्रदर्शित करता है।

Adam Bosák, Andrii Kliachkin, Jana Lepšová, Gilles Bareilles, Jakub Mareček2026-05-19
🤖 machine learning

Aligned Training: A Parameter-Free Method to Improve Feature Quality and Stability of Sparse Autoencoders (SAE)

यह शोध पत्र "अलाइन्ड ट्रेनिंग" (aligned training) को प्रस्तुत करता है, जो एक पैरामीटर-मुक्त रीपैरामीट्रिज़ेशन विधि है जो स्पार्स ऑटोएनकोडर्स (sparse autoencoders) में डेड फीचर्स (dead features) को समाप्त करने, स्थिरता बढ़ाने और पुनर्निर्माण की गुणवत्ता में सुधार करने के लिए एनकोडर और डिकोडर दिशाओं के बीच एक ज्यामितीय बाधा लागू करती है, और यह बिना किसी अतिरिक्त कंप्यूटेशनल लागत या हाइपरपैरामीटर्स के किया जाता है।

Michał Brzozowski, Neo Christopher Chung2026-05-19
💬 NLP

Post-Trained MoE Can Skip Half Experts via Self-Distillation

यह शोध पत्र ज़ीरो-एक्सपर्ट सेल्फ-डिस्टिलेशन अडैप्टेशन (ZEDA) को प्रस्तुत करता है, जो एक कम लागत वाला ढांचा है जो पैरामीटर-मुक्त ज़ीरो-आउटपुट विशेषज्ञों को इंजेक्ट करके और दो-चरणीय सेल्फ-डिस्टिलेशन लागू करके पोस्ट-ट्रेन्ड स्टैटिक मिक्सचर-ऑफ़-एक्सपर्ट्स मॉडल्स को कुशल डायनेमिक मॉडल्स में परिवर्तित करता है, जिससे मामूली सटीकता हानि के साथ विशेषज्ञ FLOPs में 50% से अधिक की कमी आती है और महत्वपूर्ण इन्फरेंस स्पीडअप प्रदान किया जाता है।

Xingtai Lv, Li Sheng, Kaiyan Zhang, Yichen You, Siyan Gao, Xueheng Luo, Yuxin Zuo, Yuchen Fan, Junlin Yang, Ganqu Cui, B (…)2026-05-19
🤖 machine learning

Pocket Foundation Models: Distilling TFMs into CPU-Ready Gradient-Boosted Trees

यह शोधपत्र लेबल लीकेज को रोकने के लिए स्ट्रैटिफाइड आउट-ऑफ-फोल्ड लेबलिंग का उपयोग करके, धीमे, GPU-निर्भर टैबुलर फाउंडेशन मॉडल्स को तेज़, CPU-नेटिव ग्रेडिएंट-बूस्टेड ट्रीज़ में डिस्टिल करने की एक विधि प्रस्तुत करता है, जो धोखाधड़ी का पता लगाने जैसे वास्तविक समय के अनुप्रयोगों के लिए ८६० गुना तक की गति वृद्धि के साथ शिक्षक (टीचर) मॉडल के करीब सटीकता प्राप्त करता है।

Aditya Tanna, Nassim Bouarour, Mohamed Bouadi, Vinay kumar Sankarapu, Pratinav Seth2026-05-19
🤖 machine learning

KairosHope: A Next-Generation Time-Series Foundation Model for Specialized Classification via Dual-Memory Architecture

यह शोध पत्र KairosHope को प्रस्तुत करता है, जो एक अगली पीढ़ी का टाइम-सीरीज फाउंडेशन मॉडल है, जो कंप्यूटेशनल बाधाओं को दूर करने और सांख्यिकीय ज्ञान को एकीकृत करने के लिए एक ड्यूल-मेमोरी आर्किटेक्चर और एक हाइब्रिड डिसीजन हेड का उपयोग करता है, तथा स्व-पर्यवेक्षित प्री-ट्रेनिंग और कठोर फाइन-ट्यूनिंग के माध्यम से विशिष्ट वर्गीकरण कार्यों में उत्कृष्ट प्रदर्शन प्राप्त करता है।

Luis Balderas, José Alberto Rodríguez, Miguel Lastra, Antonio Arauzo-Azofra, José M. Benítez2026-05-19
🤖 machine learning

COOPO: Cyclic Offline-Online Policy Optimization Algorithm

COOPO एक सामान्यीकृत हाइब्रिड सुदृढीकरण शिक्षण (reinforcement learning) ढांचा है जो वितरण संबंधी बदलाव (distributional shift) और विनाशकारी विस्मृति (catastrophic forgetting) को कम करने के लिए KL-नियमित ऑफलाइन प्रशिक्षण और ऑनलाइन फाइन-ट्यूनिंग के बीच बारी-बारी से कार्य करता है, जिससे यह अत्याधुनिक तरीकों की तुलना में D4RL बेंचमार्क पर बेहतर नमूना दक्षता और प्रदर्शन प्राप्त करता है।

Qisai Liu, Zhanhong Jiang, Joshua Russell Waite, Aditya Balu, Cody Fleming, Soumik Sarkar2026-05-19
🤖 machine learning

Learning Quantifiable Visual Explanations Without Ground-Truth

यह शोध पत्र इनपुट गड़बड़ी (input perturbation) और आवश्यकता/पर्याप्तता (necessity/sufficiency) पर आधारित एक्सप्लेनेबल एआई (XAI) विधियों के मूल्यांकन के लिए एक ग्राउंड-ट्रुथ-मुक्त, मात्रात्मक मीट्रिक प्रस्तुत करता है, जिसका उपयोग फिर एक नवीन एडेप्टर मॉड्यूल को प्रशिक्षित करने के लिए किया जाता है जो ब्लैक-बॉक्स मॉडल के प्रदर्शन से समझौता किए बिना उनके लिए बेहतर कारण संबंधी स्पष्टीकरण (causal explanations) उत्पन्न करता है।

Amritpal Singh, Andrey Barsky, Mohamed Ali Souibgui, Ernest Valveny, Dimosthenis Karatzas2026-05-19