🤖 Category

cs.LG

24939 पेपर

🤖 machine learning

Horizon-Constrained Rashomon Sets for Chaotic Forecasting

यह लेख प्रेडिक्टिव मल्टीप्लिसिटी (predictive multiplicity) और केओटिक डायनेमिक्स (chaotic dynamics) के बीच एक सेतु का कार्य करता है, जिसमें 'होराइजन-कंस्ट्रेंड रशोन सेट्स' (horizon-constrained Rashomon Sets) को पेश किया गया है, जो एक ऐसा ढांचा है जो यह वर्णन करता है कि अराजक प्रणालियों में भविष्यवाणियों की क्षितिज सीमा (prediction horizon) के साथ मॉडल विविधता कैसे विकसित होती है ताकि निर्णय-उन्मुख मॉडल चयन को सक्षम बनाया जा सके, जो सुरक्षा-महत्वपूर्ण अनुप्रयोगों में डाउनस्ट्रीम उपयोगिता में महत्वपूर्ण सुधार करता है।

Gauri Kale, Rahul Vishwakarma, Holly Diamond, Ava Hedayatipour, Amin Rezaei2026-05-08
🤖 machine learning

Sparse Prefix Caching for Hybrid and Recurrent LLM Serving

यह शोध पत्र हाइब्रिड और रिकरेंट (recurrent) LLM सर्विंग के लिए स्पार्स प्रीफिक्स कैशिंग (sparse prefix caching) प्रस्तुत करता है, जो एक ऐसी विधि है जो गणना को सबसे गहरे मिलान (deepest match) से फिर से शुरू करने के लिए स्पार्स चेकपॉइंट स्थितियों पर सटीक रिकरेंट स्टेट्स को रणनीतिक रूप से संग्रहीत करके विलंबता (latency) को अनुकूलित करती है, जिससे सटीक आउटपुट को संरक्षित करते हुए और बिना किसी कर्नेल परिवर्तन की आवश्यकता के मौजूदा डेंस कैशिंग ह्यूरिस्टिक्स (dense caching heuristics) से बेहतर प्रदर्शन किया जाता है।

Mikhail Shirokikh, Sergey Nikolenko2026-05-08
🤖 machine learning

MidSteer: Optimal Affine Framework for Steering Generative Models

यह शोध पत्र MidSteer को प्रस्तुत करता है, जो एक नवीन एफ़ाइन (affine) फ्रेमवर्क है जो LEACE जैसे मौजूदा तरीकों का सामान्यीकरण करके विविध आर्किटेक्चर और मोडैलिटीज में इष्टतम, न्यूनतम-विक्षोभ (minimal-disturbance) रूपांतरणों को सक्षम बनाता है, जिससे जनरेटिव मॉडल्स में कॉन्सेप्ट स्टीयरिंग के लिए एक व्यापक सैद्धांतिक आधार प्रदान होता है।

Tatiana Gaintseva, Andrew Stepanov, Ziquan Liu, Martin Benning, Gregory Slabaugh, Jiankang Deng, Ismail Elezi2026-05-08
🤖 machine learning

Data-Driven Variational Basis Learning Beyond Neural Networks: A Non-Neural Framework for Adaptive Basis Discovery

यह शोध पत्र डेटा-ड्रिवन वेरिएशनल बेसिस लर्निंग (DVBL) को प्रस्तुत करता है, जो एक गैर-तंत्रिका (non-neural) ढांचा है जो वेरिएशनल अनुकूलन के माध्यम से व्याख्या योग्य, डेटा-अनुकूलनीय आधार फलनों (basis functions) को सीखता है, जो तंत्रिका नेटवर्क का एक गणितीय रूप से पारदर्शी विकल्प प्रदान करते हुए अस्तित्व, अभिसरण और पहचान क्षमता पर कठोर गारंटी देता है।

Andrew Kiruluta2026-05-08
🤖 machine learning

Adaptive Computation Depth via Learned Token Routing in Transformers

यह शोध पत्र टोकन-सिलेक्टिव अटेंशन (TSA) को प्रस्तुत करता है, जो एक हल्का, एंड-टू-एंड डिफरेंशिएबल गेटिंग मैकेनिज्म है जो ट्रांसफॉर्मर्स को संदर्भ-आधारित कठिनाई के आधार पर व्यक्तिगत टोकन के लिए अनावश्यक लेयर गणनाओं को गतिशील रूप से छोड़ने में सक्षम बनाता है, जिससे बिना किसी स्पष्ट डेप्थ रेगुलराइजेशन की आवश्यकता के और न्यूनतम गुणवत्ता हानि के साथ महत्वपूर्ण दक्षता लाभ प्राप्त होता है।

Ahmed Abdelmuniem Abdalla Mohammed2026-05-08
🤖 machine learning

Structural Instability of Feature Composition

यह शोध पत्र एक ज्यामितीय ढांचा प्रस्तुत करता है जो यह प्रदर्शित करता है कि स्पार्स ऑटोएन्कोडर्स (Sparse Autoencoders) में कंपोजिशनल फीचर स्टीयरिंग (compositional feature steering), गैर-रेखीय हस्तक्षेप (non-linear interference) और एक "रैचेट प्रभाव" (ratchet effect) द्वारा मौलिक रूप से सीमित है, जो अर्थपूर्ण विशेषताओं के संयोजन के दौरान व्यवस्थित विचलन (systematic drift) और पतन (collapse) का कारण बनते हैं, जिससे नैइव लीनियर सुपरपोजिशन (naive linear superposition) की स्केलेबिलिटी को चुनौती मिलती है।

Yunpeng Zhou2026-05-08
🤖 machine learning

Channel-Level Semantic Perturbations: Unlearnable Examples for Diverse Training Paradigms

यह शोध पत्र फ्रोजन लेयर्स द्वारा सिमेंटिक फ़िल्टरिंग के कारण प्रीट्रेनिंग-फाइनट्यूनिंग प्रतिमान (पैराडाइम) के तहत मौजूदा अनलर्नेबल उदाहरणों की सीमाओं की पहचान करता है और विविध प्रशिक्षण सेटिंग्स में डेटा की अनलर्नेबिलिटी को प्रभावी ढंग से संरक्षित करने के लिए एक नवीन 'शैलो सिमेंटिक कैमौफ्लेज' रणनीति का प्रस्ताव करता है।

Bo Wang, Jia Ni, Mengnan Zhao, Zhan Qin, Kui Ren2026-05-08
🤖 machine learning

Evolutionary fine tuning of quantized convolution-based deep learning models

यह शोध पत्र प्रीट्रेनड डीप लर्निंग मॉडल्स के वेट्स (weights) के क्वांटाइजेशन स्टेट्स को फाइन-ट्यून करने के लिए एक इवोल्यूशनरी ऑप्टिमाइज़ेशन रणनीति प्रस्तावित करता है, जो यह प्रदर्शित करता है कि मानों (values) को मानक नियरएस्ट-नेबर राउंडिंग से दूर ले जाने से रिसोर्स-कंस्ट्रेंड एप्लिकेशन्स के लिए VGG, ResNet और ऑटोएनकोडर्स जैसे क्वांटाइज्ड आर्किटेक्चर की सटीकता में महत्वपूर्ण सुधार होता है।

Marcin Pietroń2026-05-08
🤖 machine learning

DexSim2Real: Foundation Model-Guided Sim-to-Real Transfer for Generalizable Dexterous Manipulation

यह शोध पत्र DexSim2Real प्रस्तुत करता है, जो एक एकीकृत ढांचा है जो डोमेन रैंडमाइजेशन के लिए विजन-लैंग्वेज फाउंडेशन मॉडल्स, टैक्टाइल-विजुअल क्रॉस-अटेंशन पॉलिसीज़ और प्रोग्रेसिव स्किल करिकुलम का लाभ उठाकर सिम-टू-रियल प्रदर्शन अंतराल को महत्वपूर्ण रूप से कम करता है, जिससे सामान्यीकरण योग्य डेक्सट्रस मैनिपुलेशन कार्यों में 78.2% औसत सफलता दर प्राप्त होती है।

Zijian Zeng, Fei Ding, Huiming Yang, Xianwei Li, Yuhao Liao2026-05-08
📊 statistics

Maximizing Rollout Informativeness under a Fixed Budget: A Submodular View of Tree Search for Tool-Use Agentic Reinforcement Learning

यह शोध पत्र InfoTree को प्रस्तुत करता है, जो टूल-यूज़ एजेंटिक सुदृढीकरण शिक्षण (reinforcement learning) के लिए एक ट्रेनिंग-टाइम ट्री-सर्च फ्रेमवर्क है, जो रोलआउट सूचनात्मकता (rollout informativeness) को एक सबमॉड्यूलर मैक्सिमाइजेशन समस्या के रूप में औपचारिक रूप देता है ताकि एक अनिश्चितता-जागरूक चयन रणनीति (UUCB) और एक अनुकूली बजट आवंटक (adaptive budget allocator) प्राप्त किया जा सके, जिससे विविध रीजनिंग और टूल-यूज़ बेंचमार्क पर मजबूती और दक्षता बनाए रखते हुए मौजूदा विधियों से काफी बेहतर प्रदर्शन किया जा सके।

Yuelin Hu, Zhenbo Yu, Zhengxue Cheng, Wei Liu, Li Song2026-05-08