🤖 Category

cs.LG

28284 पेपर

🤖 मशीन लर्निंग

Manifold Random Features

यह शोध पत्र मैनिफोल्ड रैंडम फीचर्स (MRFs) को प्रस्तुत करता है, जो एक नवीन प्रतिमान (पैराडाइम) है जो सामान्य मैनिफोल्ड्स पर द्वि-चर (bi-variate) फलनों के धनात्मक, परिबद्ध (bounded), निरंतर सन्निकटन उत्पन्न करने के लिए मैनिफोल्ड विविक्तीकरण (discretization) और ग्राफ रैंडम फीचर्स का लाभ उठाता है, जबकि विविक्त (discrete) और निरंतर रैंडम फीचर्स के बीच एक गहरा सैद्धांतिक संबंध स्थापित करता है और लीनियर-अटेंशन ट्रांसफॉर्मर्स जैसे अनुप्रयोगों के लिए गॉसियन कर्नेल सन्निकटन को सरल बनाता है।

Ananya Parashar, Derek Long, Dwaipayan Saha, Krzysztof Choromanski2026-05-11
🔬 संघनित पदार्थ

Theory of Optimal Learning Rate Schedules and Scaling Laws for a Random Feature Model

यह शोध पत्र अनुकूल नियंत्रण सिद्धांत (optimal control theory) का उपयोग करके रैंडम फीचर मॉडल्स के लिए इष्टतम लर्निंग रेट शेड्यूल्स को सैद्धांतिक रूप से व्युत्पन्न और मान्य करता है, जो विशिष्ट "आसान" और "कठिन" प्रशिक्षण चरणों की पहचान करता है जो यह निर्धारित करते हैं कि मानक बेंचमार्क की तुलना में पॉलीनोमियल डिके या वॉर्मअप-स्टेबल-डिके रणनीतियाँ बेहतर प्रदर्शन प्रदान करती हैं।

Blake Bordelon, Francesco Mori2026-05-11
🤖 मशीन लर्निंग

SOCKET: SOft Collision Kernel EsTimator for Sparse Attention

यह शोध पत्र SOCKET को प्रस्तुत करता है, जो एक नवीन स्पार्स अटेंशन मैकेनिज्म है जो कुशल, मेमोरी-लाइट टोकन चयन को सक्षम करने के लिए पारंपरिक हार्ड लोकैलिटी-सेंसिटिव हैशिंग को एक संभाव्य सॉफ्ट कोलिजन कर्नेल से बदल देता है और लॉन्ग-कॉन्टेक्स्ट इन्फरेंस के दौरान FlashAttention की तुलना में 1.5x तक अधिक थ्रूपुट प्राप्त करता है।

Sahil Joshi, Agniva Chowdhury, Wyatt Bellinger, Amar Kanakamedala, Ekam Singh, Hoang Anh Duy Le, Aditya Desai, Anshumali (…)2026-05-11
💬 प्राकृतिक भाषा प्रसंस्करण

Flexible Entropy Control in RLVR with a Gradient-Preserving Perspective

यह शोध पत्र एक नवीन डायनेमिक क्लिपिंग तंत्र का प्रस्ताव देकर 'वेरिफिएबल रिवार्ड्स के साथ रीइन्फोर्समेंट लर्निंग' (RLVR) में एंट्रॉपी कोलैप्स को संबोधित करता है, जो पॉलिसी एंट्रॉपी को सटीक रूप से नियंत्रित करने के लिए एक ग्रेडिएंट-प्रिजर्विंग परिप्रेक्ष्य का लाभ उठाता है, जिससे समयपूर्व अति-आत्मविश्वास को रोका जा सके और एलएलएम (LLM) तर्क प्रदर्शन को बढ़ाया जा सके।

Kun Chen, Peng Shi, Fanfan Liu, Haibo Qiu, Zhixiong Zeng, Siqi Yang, Wenji Mao2026-05-11
📊 सांख्यिकी

Exponential Sample Complexity Separation between Flat and Hierarchical Agentic Theorem Provers

यह शोध पत्र प्रदर्शित करता है कि पदानुक्रमित (hierarchical) थ्योरम प्रूवर, शिक्षक ट्रेस (teacher traces) से पुन: प्रयोज्य प्रमाण संरचनाओं को सीखकर, फ्लैट प्रूवर्स की तुलना में सैंपल कॉम्प्लेक्सिटी (sample complexity) में घातीय कमी प्राप्त करते हैं, जिससे वे फ्लैटेड निरूपणों (flattened representations) में निहित कठिन उप-प्रमाणों की अनावश्यक पुनरावृत्ति से बच जाते हैं।

Sho Sonoda, Shunta Akiyama, Yuya Uezato2026-05-11
🤖 मशीन लर्निंग

Amortized Molecular Optimization via Group Relative Policy Optimization

यह शोध पत्र AMORTIX को प्रस्तुत करता है, जो एक एमोर्टाइज्ड (amortized) ग्राफ ट्रांसफार्मर मॉडल है जो विविध संरचनात्मक बाधाओं और प्रारंभिक संरचनाओं में प्रशिक्षण को स्थिर करने के लिए ग्रुप रिलेटिव पॉलिसी ऑप्टिमाइजेशन (Group Relative Policy Optimization) का उपयोग करके, बिना इन्फरेंस-टाइम ओरकल कॉल्स के, कुशल, सिंगल-पास मॉलिक्यूलर ऑप्टिमाइजेशन प्राप्त करता है।

Muhammad bin Javaid, Hasham Hussain, Ashima Khanna, Berke Kisin, Jonathan Pirnay, Alexander Mitsos, Dominik G. Grimm, Ma (…)2026-05-11
🤖 मशीन लर्निंग

Structured Prototype-Guided Adaptation for EEG Foundation Models

यह शोध पत्र SCOPE का प्रस्ताव करता है, जो एक संरचित आत्मविश्वास-जागरूक प्रोटोटाइप-निर्देशित ढांचा है जो कोहोर्ट-स्तरीय पर्यवेक्षण और एक हल्के प्रोटोटाइप-कंडीशन्ड एडैप्टर के माध्यम से ओवरकॉन्फिडेंट मिसकैलिब्रेशन और रिप्रेजेंटेशन ड्रिफ्ट को कम करके लेबल-सीमित सेटिंग्स में EEG फाउंडेशन मॉडल्स को अनुकूलित करने की चुनौतियों का समाधान करता है।

Jingying Ma, Feng Wu, Yucheng Xing, Qika Lin, Tianyu Liu, Chenyu Liu, Ziyu Jia, Mengling Feng2026-05-11
🤖 मशीन लर्निंग

MAST: A Multi-fidelity Augmented Surrogate model via Spatial Trust-weighting

यह शोध पत्र MAST को प्रस्तुत करता है, जो एक स्थानिक रूप से अनुकूलन योग्य मल्टी-फिडेलिटी सरोगेट मॉडलिंग पद्धति है जो दूरी-आधारित वेटिंग और स्पष्ट विसंगति मॉडलिंग के माध्यम से कम-फिडेलिटी डेटा को विरल उच्च-फिडेलिटी अवलोकनों के साथ गतिशील रूप से मिश्रित करती है, जिससे मौजूदा अत्याधुनिक तकनीकों की तुलना में सीमित कम्प्यूटेशनल बजट के तहत बेहतर सुदृढ़ता और सटीकता प्राप्त होती है।

Ahmed Mohamed Eisa Nasr, Ali Elham, Haris Moazam Sheikh2026-05-11
🤖 मशीन लर्निंग

DurableUn: Quantization-Induced Recovery Attacks in Machine Unlearning

यह शोध पत्र प्रकट करता है कि INT4 क्वांटाइजेशन मशीन अनलर्निंग में विस्मृत डेटा को व्यवस्थित रूप से पुनर्स्थापित करता है, जो भूलने (forgetting), उपयोगिता (utility) और सुदृढ़ता (robustness) के बीच एक मौलिक व्यापार-संतुलन (trade-off) को उजागर करता है, और उच्च एवं निम्न-परिशुद्धता (high- and low-precision) दोनों तरह के परिनियोजन में स्थिर अनलर्निंग प्राप्त करने के लिए DURABLEUN-SAF पद्धति का प्रस्ताव करता है।

Abdullah Ahmad Khan, Ferdous Sohel2026-05-11
🤖 मशीन लर्निंग

Metric Unreliability in Multimodal Machine Unlearning: A Systematic Analysis and Principled Unified Score

यह शोध पत्र विजन-लैंग्वेज मॉडल्स में मशीन अनलर्निंग के मूल्यांकन के लिए मानक मेट्रिक्स के बीच महत्वपूर्ण विसंगतियों को प्रकट करने वाला पहला व्यवस्थित विश्लेषण प्रस्तुत करता है, और स्थिर एवं विश्वसनीय रैंकिंग प्रदान करने के लिए ओरैकल सहसंबंधों (oracle correlations) से व्युत्पन्न एक सिद्धांतपूर्ण यूनिफाइड क्वालिटी स्कोर (UQS) का प्रस्ताव करता है।

Abdullah Ahmad Khan, Hamid Laga, Ferdous Sohel2026-05-11