cs.LG

Reducing cross-sample prediction churn in scientific machine learning

यह शोध पत्र वैज्ञानिक मशीन लर्निंग मॉडलों की विभिन्न प्रशिक्षण डेटा ड्रॉ के बीच अस्थिरता को उजागर करने के लिए "क्रॉस-सैंपल प्रेडिक्शन चर्न" (cross-sample prediction churn) की अवधारणा प्रस्तुत करता है और यह प्रदर्शित करता है कि $K$-बूटस्ट्रैप बैगिंग और प्रस्तावित ट्विन-बूटस्ट्रैप दृष्टिकोण जैसे डेटा-पक्षीय तरीके मानक पैरामीटर-पक्षीय तकनीकों के विपरीत, भविष्य कहने वाली सटीकता से समझौता किए बिना इस चर्न को महत्वपूर्ण रूप से कम करते हैं।

Quantifying Sensitivity for Tree Ensembles: A symbolic and compositional approach

यह शोध पत्र XCount प्रस्तुत करता है, जो एक नवीन प्रतीकात्मक और संरचनात्मक (compositional) एल्गोरिदम है जो इनपुट स्पेस को विविक्त (discretize) करके और बीजगणितीय निर्णय आरेख (algebraic decision diagrams) का उपयोग करके समस्या को एनकोड करके निर्णय वृक्ष समूहों (decision tree ensembles) की संवेदनशीलता को कुशलतापूर्वक मापता है, जिससे मौजूदा मॉडल गणना दृष्टिकोणों की तुलना में महत्वपूर्ण गति और मापनीयता प्राप्त होती है।

QLAM: A Quantum Long-Attention Memory Approach to Long-Sequence Token Modeling

यह शोध पत्र QLAM को प्रस्तुत करता है, जो एक हाइब्रिड क्वांटम-क्लासिकल मेमोरी तंत्र है जो पैरामीटराइज्ड सर्किट के माध्यम से हिडन स्टेट्स को विकसित करने के लिए क्वांटम सुपरपोजिशन का लाभ उठाता है, जिससे अनुक्रमिक इमेज क्लासिफिकेशन कार्यों पर रिकरेंट और ट्रांसफॉर्मर-आधारित बेसलाइन्स से बेहतर प्रदर्शन करते हुए लॉन्ग-रेंज डिपेंडेंसीज़ की कुशल लीनियर-टाइम मॉडलिंग सक्षम होती है।

Topology-Preserving Neural Operator Learning via Hodge Decomposition

DiFaReli++: Diffusion Face Relighting with Consistent Cast Shadows

Red-Teaming Text-to-Image Models via In-Context Experience Replay and Semantic-Preserving Prompt Rewriting

यह शोध पत्र ICER को प्रस्तुत करता है, जो एक ब्लैक-बॉक्स फ्रेमवर्क है जो टेक्स्ट-टू-इमेज मॉडल्स की रेड-टीमिंग के लिए कुशल, प्रवाहपूर्ण और अर्थ-संरक्षण करने वाले एडवरसेरियल प्रॉम्प्ट्स उत्पन्न करने के लिए एक LLM-आधारित रीराइटर और इन-कॉन्टेक्स्ट एक्सपीरियंस रिप्ले का लाभ उठाता है, जो मौजूदा बेसलाइन्स की तुलना में विभिन्न सुरक्षा तंत्रों के बीच बेहतर प्रदर्शन और ट्रांसफ़रेबिलिटी प्रदर्शित करता है।

Bayesian Surrogate Training on Multiple Data Sources: A Hybrid Modeling Strategy

यह शोध पत्र दो नवीन हाइब्रिड मॉडलिंग रणनीतियों का प्रस्ताव करता है जो एक स्रोत-अज्ञेय भार योजना (source-agnostic weighting scheme) का उपयोग करते हुए सरोगेट प्रशिक्षण के दौरान वास्तविक दुनिया के मापन डेटा को सिमुलेशन डेटा के साथ एकीकृत करती हैं, जिससे भविष्य कहनेवाला सटीकता, कवरेज और सिमुलेशन मॉडल की कमियों को पहचानने की क्षमता में वृद्धि होती है।

Beyond Point Estimates: Distributional Uncertainty in Machine Learning Performance Evaluation

यह शोध पत्र प्रदर्शन मेट्रिक्स को यादृच्छिक चरों (random variables) के रूप में मानकर और उनके अनुभवजन्य वितरणों का क्वांटाइल्स (quantiles) एवं विश्वास अंतरालों (confidence intervals) के माध्यम से विश्लेषण करके मशीन लर्निंग मूल्यांकन में एक वितरण संबंधी परिप्रेक्ष्य (distributional perspective) का समर्थन करता है, जो यह प्रदर्शित करता है कि अधिक जोखिम-उन्मुख और विभेदित मॉडल तुलनाओं का समर्थन करने के लिए छोटे नमूना आकारों के साथ भी मॉडल परिवर्तनशीलता पर सार्थक सांख्यिकीय अनुमान लगाना संभव है।

Tackling Fake Forgetting through Uncertainty Quantification

यह शोध पत्र "फेक फॉरगेटिंग" (fake forgetting) की घटना की पहचान करता है, जहाँ अनलर्निंग एक्यूरेसी (unlearning accuracy) रिटेंड जानकारी का पता लगाने में विफल रहती है, और एक नया मेट्रिक (CR) और फ्रेमवर्क (CPU) प्रस्तावित करता है जो कॉन्फॉर्मल प्रेडिक्शन (conformal prediction) पर आधारित है ताकि यह सुनिश्चित किया जा सके कि ग्राउंड ट्रुथ लेबल को मॉडल के अनसर्टेन्टी सेट (uncertainty set) से प्रभावी रूप से हटा दिया गया है।

Pure Exploration Beyond Reward Feedback: The Role of Post-Action Context

यह शोध पत्र पोस्ट-एक्शन कॉन्टेक्स्ट (post-action context) के साथ बेस्ट आर्म आइडेंटिफिकेशन (best arm identification) की समस्या को प्रस्तुत करता है, जो इष्टतम सैंपल कॉम्प्लेक्सिटी बाउंड्स (optimal sample complexity bounds) को व्युत्पन्न करता है और विशेष एल्गोरिदम (G-tracking और एक विस्तारित Track-and-Stop) प्रस्तावित करता है जो अतिरिक्त कॉन्टेक्स्ट जानकारी का लाभ उठाकर उन तरीकों से काफी बेहतर प्रदर्शन करते हैं जो इसे अनदेखा कर देते हैं।