cs.LG

Exposing Vulnerabilities in Explanation for Time Series Classifiers via Dual-Target Attacks

यह शोध पत्र TSEF को प्रस्तुत करता है, जो एक दोहरा-लक्ष्य (dual-target) हमला है, जो यह प्रदर्शित करता है कि टाइम सीरीज़ स्पष्टीकरणों में टेम्पोरल निरंतरता (temporal consistency), मजबूती (robustness) के लिए एक भ्रामक प्रॉक्सी है, क्योंकि लक्षित गलत वर्गीकरण प्राप्त करने के लिए भविष्यवाणियों को तर्कसंगत स्पष्टीकरणों से प्रतिकूल रूप से अलग करना संभव है।

From Zero to Hero: Advancing Zero-Shot Foundation Models for Tabular Outlier Detection

यह शोध पत्र OUTFORMER को प्रस्तुत करता है, जो एक सिंथेटिक प्रायोर (synthetic priors) और स्व-विकसित पाठ्यक्रम प्रशिक्षण (self-evolving curriculum training) का लाभ उठाने वाला टैबुलर आउटलियर डिटेक्शन के लिए एक ज़ीरो-शॉट फाउंडेशन मॉडल है, जो बिना किसी लेबल वाले आउटलायर या कार्य-विशिष्ट मॉडल प्रशिक्षण के 1,500+ डेटासेट पर अत्याधुनिक प्रदर्शन प्राप्त करता है।

Lookahead Sample Reward Guidance for Test-Time Scaling of Diffusion Models

यह शोध पत्र LiDAR प्रस्तुत करता है, जो डिफ्यूजन मॉडल्स के लिए एक कुशल टेस्ट-टाइम स्केलिंग विधि है जो मार्जिनल सैंपल्स और फ्यू-स्टेप लुकअहेड सैंपलिंग का उपयोग करके क्लोज्ड-फॉर्म अपेक्षित भविष्य के रिवॉर्ड गाइडेंस की गणना करता है ताकि मौजूदा ग्रेडिएंट गाइडेंस दृष्टिकोणों की तुलना में 9.5x की गति वृद्धि के साथ उच्च मानव-संरेखित जनरेशन गुणवत्ता प्राप्त की जा सके।

Equilibrium Propagation for Non-Conservative Systems

यह शोध पत्र एक ऐसे ढांचे का प्रस्ताव करता है जो गैर-पारस्परिक अंतःक्रियाओं (non-reciprocal interactions) को ध्यान में रखने के लिए लर्निंग-फेज डायनेमिक्स को संशोधित करके इक्विलिब्रियम प्रोपेगेशन (Equilibrium Propagation) को मनमाने गैर-संरक्षी प्रणालियों (non-conservative systems) तक विस्तारित करता है, जिससे लागत फलन ग्रेडिएंट्स (cost function gradients) की सटीक गणना सक्षम होती है और पिछले तरीकों की तुलना में बेहतर प्रदर्शन प्राप्त होता है।

From Evaluation to Design: Using Potential Energy Surface Smoothness Metrics to Guide Machine Learning Interatomic Potential Architectures

यह शोध पत्र बॉन्ड स्मूथनेस कैरेक्टराइजेशन टेस्ट (BSCT) को प्रस्तुत करता है, जो एक गणनात्मक रूप से कुशल मीट्रिक है जो मशीन लर्निंग इंटरएटोमिक पोटेंशियल को मान्य करने और पुनरावृत्ति संरचनात्मक सुधारों को निर्देशित करने के लिए संभावित ऊर्जा सतह की गैर-सुगमता का पता लगाता है, जिसके परिणामस्वरूप ऐसे मॉडल प्राप्त होते हैं जो कम प्रतिगमन त्रुटियां प्राप्त करते हैं और स्थिर आणविक गतिशीलता सिमुलेशन सुनिश्चित करते हैं।

Adaptive Exploration for Latent-State Bandits

यह शोध पत्र लेटेंट-स्टेट बैंडिट्स के लिए अनुकूलन योग्य अन्वेषण एल्गोरिदम प्रस्तावित करता है जो लैग्ड एक्शन-रिवॉर्ड पेयर्स और डायनेमिक प्रोब फिंगरप्रिंट्स को शामिल करके LinUCB को उन्नत करता है ताकि अप्रत्यक्ष मार्कोव स्टेट्स को प्रभावी ढंग से ट्रैक किया जा सके, जिससे जब स्टेट सारांश पर्याप्त रूप से विशिष्ट हों और बार-बार अपडेट किए जाते हों, तो मानक बेसलाइन्स की तुलना में डायनेमिक रिग्रेट को कम किया जा सके।

Better Source, Better Flow: Learning Condition-Dependent Source Distribution for Flow Matching

यह शोध पत्र फ्लो मैचिंग के लिए एक कंडीशन-डिपेंडेंट सोर्स डिस्ट्रीब्यूशन सीखने का प्रस्ताव देता है ताकि कंडीशनिंग सिग्नल्स का बेहतर उपयोग किया जा सके, जो वेरिएंस रेगुलराइजेशन और डायरेक्शनल अलाइनमेंट के माध्यम से प्रमुख स्थिरता चुनौतियों का समाधान करते हुए टेक्स्ट-टू-इमेज जनरेशन में काफी तेज़ अभिसरण (कन्वर्जेंस) और बेहतर प्रदर्शन प्राप्त करता है।

Inverse Depth Scaling From Most Layers Being Similar

यह शोध पत्र प्रकट करता है कि लार्ज लैंग्वेज मॉडल्स में लॉस (loss) गहराई के साथ व्युत्क्रमानुपाती (inversely) रूप से घटता है क्योंकि कार्यात्मक रूप से समान परतें एक अक्षम लेकिन सुदृढ़ एन्सेम्बल (ensemble) के रूप में कार्य करती हैं, जो यह सुझाव देता है कि अधिक प्रभावी संरचनात्मक गहराई उपयोग को सक्षम करने के लिए भविष्य के आर्किटेक्चरल नवाचारों की आवश्यकता है।

Sharpness-Aware Hybrid Model Learning for Architecture-Agnostic Parameter Estimation

यह शोध पत्र एक आर्किटेक्चर-अज्ञेय (architecture-agnostic) हाइब्रिड मॉडलिंग फ्रेमवर्क प्रस्तावित करता है जो लॉस लैंडस्केप की सपाटता को लागू करने के लिए शार्पनेस-अवेयर मिनिमाइजेशन (Sharpness-Aware Minimization) का लाभ उठाता है, जिससे वैज्ञानिक मापदंडों का सटीक अनुमान सुनिश्चित होता है और मशीन लर्निंग घटकों को अंतर्निहित भौतिक मॉडलों पर हावी होने से रोका जा सके।

Collaborative and Efficient Fine-tuning: Leveraging Task Similarity