🤖 मशीन लर्निंग

SPADE: Faster Drug Discovery by Learning from Sparse Data

यह शोध पत्र SPADE को पेश करता है, जो एक नवीन एल्गोरिदम है जो विरल डेटा (sparse data) का उपयोग करके नवीन प्रोटीनों के लिए उच्च-गुणवत्ता वाले लिगेंड्स को कुशलतापूर्वक पहचानकर दवा की खोज में महत्वपूर्ण तेजी लाता है, जिसमें 10 सफल उम्मीदवारों को खोजने के लिए औसतन केवल 40 परीक्षणों की आवश्यकता होती है और यह नमूना दक्षता (sample efficiency) और स्कोरिंग गति दोनों में डीप लर्निंग और बायेसियन ऑप्टिमाइज़ेशन विधियों से बेहतर प्रदर्शन करता है।

Rahul Nandakumar, Ben Fauber, Deepayan Chakrabarti2026-05-08
🤖 मशीन लर्निंग

Conditional Diffusion Under Linear Constraints: Langevin Mixing and Information-Theoretic Guarantees

यह शोध पत्र सूचना-सैद्धांतिक सीमाओं (information-theoretic bounds) के माध्यम से स्कोर फंक्शन त्रुटियों का विश्लेषण करके और मौजूदा प्रोजेक्शन-आधारित बेसलाइन से बेहतर प्रदर्शन करने वाले गाइडेड रिवर्स डिनोइजिंग के साथ एक प्रोजेक्टेड-लैंजरिन इनिशियलाइजेशन (projected-Langevin initialization) का प्रस्ताव देकर लीनियर इनवर्स समस्याओं के लिए ज़ीरो-शॉट कंडिशनल सैंपलिंग में पूर्वाग्रह (bias) को संबोधित करता है।

Ahmad Aghapour, Erhan Bayraktar, Asaf Cohen2026-05-08
🤖 मशीन लर्निंग

Differentiable Parameter Optimization for DAEs with State-Dependent Events

यह शोध पत्र स्टेट-डिपेंडेंट इवेंट्स (state-dependent events) वाले सेमी-एक्सप्लिसिट डिफरेंशियल-एल्जेब्रिक इक्वेशन्स के लिए डिफरेंशिएबल पैरामीटर ऑप्टिमाइज़ेशन की चुनौती को एक कंस्ट्रेंड लीस्ट-स्क्वेयर्स टास्क के रूप में स्वरूपित करके और दो पूरक ग्रेडिएंट-कंप्यूटेशन रणनीतियों का प्रस्ताव देकर संबोधित करता है: एक ऑटोमैटिक-डिफरेंशिएशन-थ्रू-सिमुलेशन विधि और एक एक्सप्लिसिट डिस्क्रीट-एडजॉइंट विधि, जो दोनों ही फिक्स्ड इवेंट ऑर्डरिंग और ट्रांसवर्सल गार्ड क्रॉसिंग्स के तहत वैध ग्रेडिएंट प्रदान करते हैं।

Ion Matei, Maksym Zhenirovskyy, Anthony Wong2026-05-08
📊 सांख्यिकी

Direct Estimation of Schrödinger Bridge Time-Series Drifts: Finite-Sample, Asymptotic, and Adaptive Guarantees

यह शोध पत्र नॉनपैरामेट्रिक श्रोडिंगर ब्रिज टाइम-सीरीज ड्रिफ्ट्स के लिए एक डायरेक्ट नादरया-वाट्सन प्लग-इन एस्टिमेटर पेश करता है जो सांख्यिकीय त्रुटि को ऑप्टिमाइज़ेशन आर्टिफैक्ट्स से अलग करता है और परिमित-नमूना यूनिफॉर्म बाउंड्स, एसिम्प्टोटिक नॉर्मलिटी, साथ ही एक एडेप्टिव, मिनिमैक्स-रेट-ऑप्टिमल बैंडविड्थ सेलेक्टर प्रदान करता है।

Othmane Mazhar, Huyên Pham2026-05-08
🤖 मशीन लर्निंग

Active Learning for Conditional Generative Compressed Sensing

यह शोध पत्र इमेज रिकवरी के लिए एक कंडीशनल जेनरेटिव कॉम्प्रैस्ड सेंसिंग फ्रेमवर्क प्रस्तावित करता है जो सैंपलिंग डिज़ाइन और मॉडल कंडीशनिंग के लिए प्रॉम्प्ट्स के बीच अंतर करता है, जो यह सिद्ध करता है कि प्रॉम्प्ट-मैच्ड क्रिस्टोफेल सैंपलिंग स्थिर रिकवरी बाउंड्स प्राप्त करती है और प्रयोगों के माध्यम से यह प्रदर्शित करता है कि प्रॉम्प्ट्स सैंपलिंग वितरण और पुनर्निर्माण गुणवत्ता दोनों को महत्वपूर्ण रूप से प्रभावित करते हैं।

Alexander DeLise, Nick Dexter2026-05-08
📊 सांख्यिकी

Estimating Implicit Regularization in Deep Learning

यह शोध पत्र जटिल डीप लर्निंग सिस्टम में इम्प्लिसिट रेगुलराइजेशन (implicit regularization) का अनुमान लगाने के लिए एक एम्पिरिकल ग्रेडिएंट मैचिंग विधि प्रस्तुत करता है, जो ज्ञात पेनल्टीज़ को सफलतापूर्वक रिकवर करता है और ड्रॉपआउट (dropout) द्वारा प्रेरित प्रभावों जैसे पहले से अनसुलझे प्रभावों को अभिलक्षणित करता है।

Joseph H. Rudoler, Kevin Tan, Giles Hooker, Konrad P. Kording2026-05-08
🤖 मशीन लर्निंग

On Semantic Loss Fine-Tuning Approach for Preventing Model Collapse in Causal Reasoning

यह शोध पत्र ग्राफ-आधारित तार्किक बाधाओं और डायनेमिक लैम्ब्डा शेड्यूलिंग के साथ एक सिमेंटिक लॉस फंक्शन प्रस्तावित करता है ताकि ट्रांसफॉर्मर-आधारित कॉज़ल रीजनिंग में कैटास्ट्रोफिक मॉडल कोलैप्स को रोका जा सके, जो यह प्रदर्शित करता है कि यह दृष्टिकोण स्थिर, संदर्भ-निर्भर भविष्यवाणियों को प्राप्त करने के लिए आवश्यक है और मानक फाइन-ट्यूनिंग बेसलाइन की तुलना में काफी बेहतर प्रदर्शन करता है।

Pratik Deshmukh, Atirek Gupta2026-05-08
🤖 मशीन लर्निंग

Privacy Without Losing Place: A Paradigm for Private Retrieval in Spatial RAGs

यह शोध पत्र प्राइवेसी एंकर सब्स्टीट्यूशन (PAS) प्रस्तुत करता है, जो स्थानिक RAG सिस्टम के लिए एक संरचित तंत्र है जो सापेक्ष एंकर एन्कोडिंग के माध्यम से उपयोगकर्ता के स्थान की गोपनीयता को सुरक्षित रखता है, और रिट्रीवल प्रदर्शन में मामूली गिरावट के बावजूद मजबूत डाउनस्ट्रीम जनरेशन गुणवत्ता बनाए रखते हुए महत्वपूर्ण प्रतिकूल त्रुटि (370-400 मीटर) प्राप्त करता है।

Kennedy Edemacu, Mohammad Mahdi Shokri, Vinay M. Shashidhar, Jong Wook Kim2026-05-08
🤖 मशीन लर्निंग

Robustness of Graph Self-Supervised Learning to Real-World Noise: A Case Study on Text-Driven Biomedical Graphs

यह शोध पत्र वास्तविक दुनिया के, शोर वाले टेक्स्ट-संचालित बायोमेडिकल ग्राफ्स पर ग्राफ सेल्फ-सुपरवाइज्ड लर्निंग का व्यापक मूल्यांकन करने के लिए NATD-GSSL फ्रेमवर्क प्रस्तुत करता है, जो यह प्रकट करता है कि फीचर रिकंस्ट्रक्शन और द्विदिश संबंधात्मक मैसेज-पासिंग आर्किटेक्चर, रिलेशन रिकंस्ट्रक्शन या एकदिशीय डिजाइनों की तुलना में शोर के प्रति अधिक सुदृढ़ हैं, और अंततः लैंग्वेज मॉडल बेसलाइन्स की तुलना में 7% तक सुधार प्राप्त करते हैं।

Othmane Kabal, Mounira Harzallah, Fabrice Guillet, Hideaki Takeda, Ryutaro Ichise2026-05-08
🤖 मशीन लर्निंग

A Unified Benchmark for Evaluating Knowledge Graph Construction Methods and Graph Neural Networks

यह शोधपत्र एक एकीकृत, पुनरुत्पादक बेंचमार्क प्रस्तुत करता है जो शोर-युक्त, पाठ-व्युत्पन्न ग्राफों पर ग्राफ न्यूरल नेटवर्क की मजबूती और एक उच्च-गुणवत्ता वाले विशेषज्ञ-क्यूरेटेड संदर्भ के विरुद्ध तुलना करके विभिन्न ज्ञान ग्राफ निर्माण विधियों की प्रभावशीलता का संयुक्त रूप से मूल्यांकन करता है।

Othmane Kabal, Mounira Harzallah, Fabrice Guillet, Hideaki Takeda, Ryutaro Ichise2026-05-08