📊 सांख्यिकी

Tuning Derivatives for Causal Fairness in Machine Learning

यह शोध पत्र निरंतर संरक्षित गुणों (continuous protected attributes) के लिए अनुकूलित एक नवीन कारण निष्पक्षता (causal fairness) ढांचे को प्रस्तुत करता है, जो पाथ-विशिष्ट आंशिक डेरिवेटिव्स (path-specific partial derivatives) के माध्यम से सांख्यिकीय और भविष्य कहनेवाला समानता (Statistical and Predictive Parity) को औपचारिक रूप देता है, जिससे ऐसे निष्पक्ष भविष्यवक्ताओं का निर्माण सक्षम होता है जो भेदभावपूर्ण पथों से स्वतंत्रता और वैध व्यावसायिक प्रभावों के संरक्षण के बीच संतुलन बनाए रखते हैं।

Filip Edström, Guilherme W. F. Barros, Tetiana Gorbach, Xavier de Luna2026-05-08
💬 प्राकृतिक भाषा प्रसंस्करण

Beyond Steering Vector: Flow-based Activation Steering for Inference-Time Intervention

यह शोध पत्र FLAS को प्रस्तुत करता है, जो एक फ्लो-आधारित एक्टिवेशन स्टीयरिंग विधि है जो मॉडल एक्टिवेशन को ट्रांसपोर्ट करने के लिए एक सामान्य, कॉन्सेप्ट-कंडीशन्ड वेलोसिटी फील्ड को सीखता है, जिससे यह पूर्ववर्ती दृष्टिकोणों की प्रतिबंधात्मक धारणाओं को दूर करते हुए AxBench पर मौजूदा स्टीयरिंग तकनीकों और इन-कॉन्टेक्स्ट प्रॉम्प्टिंग दोनों से बेहतर प्रदर्शन करता है।

Zehao Jin, Ruixuan Deng, Junran Wang, Xinjie Shen, Chao Zhang2026-05-08
🤖 मशीन लर्निंग

VARS-FL: Validation-Aligned Client Selection for Non-IID Federated Learning in IoT Systems

यह शोध पत्र VARS-FL का प्रस्ताव करता है, जो IoT सिस्टम में non-IID फेडरेटेड लर्निंग के लिए एक क्लाइंट चयन ढांचा है, जो सर्वर-साइड वैलिडेशन लॉस रिडक्शन को एक हिस्ट्री-अवेयर रेप्यूटेशन स्कोर में एकत्रित करके अभिसरण (convergence) और स्थिरता में सुधार करता है, और Edge-IIoTset डेटासेट पर FedAvg और Oort जैसे मौजूदा तरीकों से बेहतर प्रदर्शन करता है।

Mohamed Lakas, Mohamed Amine Ferrag2026-05-08
🤖 मशीन लर्निंग

VisMMOE: Exploiting Visual-Expert Affinity for Efficient Visual-Language MoE Offloading

VisMMoE एक बड़े पैमाने के विजन-लैंग्वेज मिक्सचर-ऑफ-एक्सपर्ट्स मॉडल्स के लिए एक कुशल ऑफलोडिंग सिस्टम है जो टोकन प्रूनिंग और प्रेडिक्टिव ऑर्केस्ट्रेशन के माध्यम से विजुअल-एक्सपर्ट एफिनिटी का लाभ उठाकर मेमोरी-प्रतिबंधित प्लेटफॉर्म पर इन्फरेंस प्रदर्शन में महत्वपूर्ण सुधार करता है।

Cheng Xu, Xiaofeng Hou, Jiacheng Liu, Chao Li2026-05-08
🤖 मशीन लर्निंग

Quadratic Objective Perturbation: Curvature-Based Differential Privacy

यह शोध पत्र क्वाड्रेटिक ऑब्जेक्टिव पर्टर्बेशन (QOP) को प्रस्तुत करता है, जो एम्पिरिकल रिस्क मिनिमाइजेशन के लिए एक नवीन डिफरेंशियल प्राइवेट मैकेनिज्म है, जो पारंपरिक रैखिक विधियों की सीमित ग्रेडिएंट धारणा को वक्रता-आधारित रैंडम क्वाड्रेटिक पर्टर्बेशन से प्रतिस्थापित करता है, जिससे इंटरपोलेशन रिजीम और अनुमानित समाधानों सहित कमजोर धारणाओं के तहत गोपनीयता और उपयोगिता गारंटी प्राप्त होती है।

Daniel Cortild, Coralia Cartis2026-05-08
⚡ विद्युत इंजीनियरिंग

PREFER: Personalized Review Summarization with Online Preference Learning

यह शोध पत्र PREFER का प्रस्ताव करता है, जो एक ऑनलाइन लर्निंग फ्रेमवर्क है जो प्रत्यक्ष फीडबैक के माध्यम से व्यक्तिगत उपयोगकर्ता प्राथमिकताओं की अपनी समझ को बार-बार परिष्कृत करके व्यक्तिगत उत्पाद समीक्षा सारांश तैयार करता है, जिससे यह स्थिर, सामान्य सारांशीकरण प्रणालियों की सीमाओं को दूर करता है।

Millend Roy, Agostino Capponi, Vineet Goyal2026-05-08
🤖 मशीन लर्निंग

From Drops to Grid: Noise-Aware Spatio-Temporal Neural Process for Rainfall Estimation

यह शोध पत्र DropsToGrid को प्रस्तुत करता है, जो एक शोर-जागरूक (noise-aware) स्थानिक-कालिक न्यूरल प्रोसेस है जो सटीक, उच्च-रिज़ॉल्यूशन वाले वर्षा मानचित्र उत्पन्न करने के लिए रडार संदर्भ के साथ विरल, शोर युक्त मौसम स्टेशन डेटा को संलयित करता है और अच्छी तरह से कैलिब्रेटेड अनिश्चितता के साथ मौजूदा परिचालन और डीप लर्निंग बेसलाइन से बेहतर प्रदर्शन करता है।

Rafael Pablos Sarabia, Joachim Nyborg, Morten Birk, Ira Assent2026-05-08
🤖 मशीन लर्निंग

Near-Policy: Accelerating On-Policy Distillation via Asynchronous Generation and Selective Packing

यह शोध पत्र नियर-पॉलिसी डिस्टिलेशन (NPD) का प्रस्ताव करता है, जो एक एसिंक्रोनस फ्रेमवर्क है जो जनरेशन को ट्रेनिंग से अलग करके और पॉलिसी विलंब (policy delay) को कम करने के लिए Δ\Delta-IFD फ़िल्टरिंग का उपयोग करके ऑन-पॉलिसी नॉलेज डिस्टिलेशन को तेज़ करता है, जिससे मानक SFT और बड़े मॉडलों की तुलना में 8.1 गुना गति और बेहतर प्रदर्शन प्राप्त होता है।

Miao Rang, Zhenni Bi, Hang Zhou, Kai Han, Xuechun Wang, An Xiao, Xinghao Chen, Yunhe Wang, Hanting Chen2026-05-08
⚛️ क्वांटम भौतिकी

Architecture Shape Governs QNN Trainability: Jacobian Null Space Growth and Parameter Efficiency

यह शोध पत्र यह प्रदर्शित करता है कि जबकि समान एनकोडिंग बजट वाले विभिन्न वेरिएशनल क्वांटम सर्किट आर्किटेक्चर समान फ्रीक्वेंसी स्पेक्ट्रा उत्पन्न करते हैं, उनकी प्रशिक्षण क्षमता (trainability) मौलिक रूप से आर्किटेक्चरल आकार द्वारा नियंत्रित होती है, जहाँ सीरियल डिज़ाइन जैकोबियन रैंक की कमी के कारण स्ट्रक्चरल ग्रेडिएंट स्टार्वेशन (structural gradient starvation) से ग्रस्त होते हैं, जबकि पैरेलल डिज़ाइन और फीचर मैप परतों का जुड़ना पैरामीटर दक्षता और सुदृढ़ अभिसरण (robust convergence) सुनिश्चित करता है।

Michael Poppel, David Bucher, Maximilian Zorn, Markus Baumann, Sebastian Wölckert, Claudia Linnhoff-Popien, Philipp Altm (…)2026-05-08
🤖 मशीन लर्निंग

Uncertainty Estimation via Hyperspherical Confidence Mapping

यह शोध पत्र हाइपरस्फेरिकल कॉन्फिडेंस मैपिंग (HCM) को प्रस्तुत करता है, जो एक सरल, सैंपलिंग-मुक्त और डिस्ट्रीब्यूशन-मुक्त ढांचा है जो रिग्रेशन और क्लासिफिकेशन दोनों कार्यों के लिए नियत (डिटरमिनिस्टिक), व्याख्या योग्य और लागत प्रभावी अनिश्चितता अनुमान प्रदान करने के लिए यूनिट हाइपरस्फीयर पर ज्यामितीय बाधाओं का लाभ उठाता है, जो कॉन्फिडेंस-एरर एलाइनमेंट में मौजूदा एन्सेम्बल और एविडेंशियल विधियों से बेहतर प्रदर्शन करता है।

Eunseo Choi, Ho-Yeon Kim, Jaewon Lee, Taeyong jo, Myungjun lee, Heejin Ahn2026-05-08