cs.LG

ANVIL: Anomaly-based Vulnerability Identification without Labelled Training Data

यह शोध पत्र ANVIL को प्रस्तुत करता है, जो एक अनसुपरवाइज्ड (unsupervised) भेद्यता पहचान ढांचा है जो मास्क पुनर्निर्माण (masked reconstruction) और एक हाइब्रिड स्कोरिंग तंत्र के माध्यम से कोड विसंगतियों की पहचान करने के लिए लार्ज लैंग्वेज मॉडल्स का लाभ उठाता है, जो सुपरवाइज्ड डिटेक्टरों की तुलना में बेहतर प्रदर्शन प्रदर्शित करता है और फज़र्स (fuzzers) के साथ एकीकृत होने पर पहले से अज्ञात कमजोरियों को सफलतापूर्वक उजागर करता है।

MARS: A neurosymbolic approach for interpretable drug discovery

यह शोध पत्र MARS को पेश करता है, जो एक न्यूरोसिम्बोलिक फ्रेमवर्क है जो ड्रग डिस्कवरी (औषधि खोज) के लिए है, जो जैविक रूप से सार्थक भविष्यवाणियों को सुनिश्चित करने हेतु रीजनिंग शॉर्टकट्स (तर्क संबंधी शॉर्टकट) की पहचान और उन्हें कम करके व्याख्या योग्य मैकेनिज्म-ऑफ-एक्शन डिकनवोल्यूशन (क्रिया-विधि का विखंडन) करता है।

Overcoming Dependent Censoring in the Evaluation of Survival Models

यह शोध पत्र आश्रित सेंसरिंग (dependent censoring) के तहत उत्तरजीविता मॉडलों (survival models) के मूल्यांकन में पारंपरिक IPCW विधियों की सीमाओं को संबोधित करने के लिए आर्किमेडियन कोपुला (Archimedean copulas) और कोपुला-ग्राफिक एस्टीमेटर (Copula-Graphic estimator) पर आधारित एक नवीन आश्रित ब्रायर स्कोर (dependent Brier score) प्रस्तावित करता है, जो एक अर्ध-सिंथेटिक ढांचे और 12 डेटासेट के माध्यम से यह प्रदर्शित करता है कि यह मानक दृष्टिकोणों की तुलना में अनुमान त्रुटि को 12-16% तक कम करता है।

Distributionally Robust Reinforcement Learning with Human Feedback

यह शोध पत्र लार्ज लैंग्वेज मॉडल्स को फाइन-ट्यून करने के लिए रिवॉर्ड-आधारित RLHF और रिवॉर्ड-फ्री DPO के डिस्ट्रीब्यूशनली रोबस्ट वेरिएंट्स पेश करता है, जो कन्वर्जेंस गारंटी के साथ मिनीबैच ग्रेडिएंट डिसेंट एल्गोरिदम का प्रस्ताव देते हैं जो मानक तरीकों की तुलना में आउट-ऑफ-डिस्ट्रीब्यूशन कार्यों पर प्रदर्शन में महत्वपूर्ण सुधार करते हैं।

Wasserstein Distributionally Robust Regret Optimization

Learning from samples: inverse problems over measures

यह शोध पत्र अज्ञात विभवों (potentials) को वितरण संबंधी नमूनों (distributional samples) से पुनर्प्राप्त करने के लिए व्युत्क्रम समस्याओं (inverse problems) को संबोधित करता है, यह प्रदर्शित करते हुए कि इष्टतम अंतराल (optimality gaps) उत्तल उद्देश्यों (convex objectives) को जन्म देते हैं और अंशांकन (calibration) एवं स्थानीय ज्यामिति (local geometry) में सुधार के लिए तीक्ष्ण फेंसेल-यंग हानियों (sharpened Fenchel-Young losses) को पेश करता है, जिससे एंट्रोपिक अनबैलेंस्ड ऑप्टिमल ट्रांसपोर्ट और JKO-आधारित जनसंख्या गतिशीलता जैसे अनुप्रयोगों में स्थिर पैरामीटर पुनर्प्राप्ति सक्षम होती है।

Never Skip a Batch: Dense Learning of Temporal GNNs via Adaptive Pseudo-Supervision

यह शोध पत्र मूविंग-एवरेज्ड लेबल्स (MAL) को प्रस्तुत करता है, जो एक अनुकूली छद्म-पर्यवेक्षण (pseudo-supervision) विधि है जो ग्रेडिएंट विचरण को कम करने और टेम्पोरल ग्राफ नेटवर्क में भविष्य कहनेवाला प्रदर्शन को बढ़ाने के साथ-साथ अभिसरण (convergence) को महत्वपूर्ण रूप से तेज करने के लिए ऐतिहासिक लेबल वितरण का लाभ उठाती है।

Freeze, Prompt, and Adapt: A Framework for Source-free Unsupervised GNN Prompting

यह शोध पत्र UGPrompt प्रस्तुत करता है, जो सोर्स डेटा या लेबल के बिना, नए कार्यों के लिए फ्रोजन प्री-ट्रेंड ग्राफ न्यूरल नेटवर्क्स को अनुकूलित करने के लिए पहला पूर्णतः अनसुपरवाइज्ड फ्रेमवर्क है, जो कंसिस्टेंसी रेगुलराइजेशन और सूडो-लेबलिंग का लाभ उठाकर मौजूदा सुपरवाइज्ड प्रॉम्प्टिंग विधियों से बेहतर प्रदर्शन करता है।

Physics-Informed Distillation of Diffusion Models for PDE-Constrained Generation

यह शोध पत्र फिजिक्स-इन्फॉर्म्ड डिस्टिलेशन ऑफ डिफ्यूजन मॉडल्स (PIDDM) का प्रस्ताव करता है, जो एक पोस्ट-हॉक डिस्टिलेशन दृष्टिकोण है जो डिफ्यूजन प्रक्रिया के बजाय स्वयं डिस्टिलेशन चरण के दौरान PDE बाधाओं को लागू करता है, जिससे जेन्स गैप (Jensen's Gap) की सीमा को पार करते हुए बेहतर PDE संतुष्टि और कम कम्प्यूटेशनल ओवरहेड के साथ सिंगल-स्टेप जनरेशन प्राप्त किया जा सके।

Improving Rectified Flow with Boundary Conditions

यह शोध पत्र एक बाउंड्री-एनफोर्स्ड रेक्टिफाइड फ्लो मॉडल प्रस्तावित करता है जो अनकन्स्ट्रेंड न्यूरल नेटवर्क की सीमा को संबोधित करता है जो बाउंड्री कंडीशंस को संतुष्ट करने में विफल रहते हैं, जिससे ODE और SDE सैंपलिंग के दौरान वेलोसिटी फील्ड एस्टीमेशन त्रुटियों को कम करके ImageNet पर जेनेरेटिव मॉडलिंग प्रदर्शन में महत्वपूर्ण सुधार होता है।