28208 ورقة بحثية
تقترح الورقة البحثية DeCIR، وهو إطار عمل جديد قائم على الإسقاط لاسترجاع الصور المركبة بأسلوب التعلم الصفري، والذي يعالج عقبة الانتقال الدلالي عبر فصل تعلم النقاط الطرفية والانتقالية إلى فروع محولات منخفضة الرتبة منفصلة يتم دمجها عبر دمج اتجاهي منخفض الرتبة، مما يؤدي إلى تحسين الأداء في التعديلات الدلالية المعقدة دون زيادة تعقيد الاستدلال.
تقترح هذه الورقة نسختين من خوارزمية "بوروتا" (Boruta) لاختيار الميزات مع تسريع عبر وحدة معالجة الرسومات، مما يثبت أنها تحسن كفاءة الحوسبة بشكل كبير لمجموعات البيانات الضخمة مع الحفاظ على دقة مماثلة للطريقة الأصلية القائمة على وحدة المعالجة المركزية، رغم أن النسخة القائمة على الشوائب قد تبالغ في تقدير أهمية بعض الميزات.
تحلل هذه الدراسة التجريبية الخطاب التقني المستقل على MoltBook، كاشفةً أن التفاعلات المقتصرة على الذكاء الاصطناعي تتركز بشدة حول موضوعات مثل الأمن والثقة، بينما تفتقر إلى تفاصيل تصحيح الأخطاء الملموسة والغنية بالسياق والتفاصيل البيئية التي تميز مناقشات المطورين البشريين على GitHub.
تقدم هذه الورقة VIGOR، وهو أسلوب تعلّم تعزيزي خالٍ من المُحقِّق (verifier-free) يستفيد من مكافآت معيار التدرج الجوهري المستمدة من نموذج السياسة نفسه لتحسين أداء النماذج اللغوية الكبيرة في الاستدلال الرياضي وتوليد الكود بشكل فعال دون الاعتماد على مُحقِّقات خارجية أو تسميات ذهبية.
تقدم الورقة البحثية NaiAD، وهي أول مجموعة بيانات شاملة للإعلانات الأصلية في النماذج اللغوية الكبيرة (LLM-native advertising) تضم ما يقرب من 59,000 استجابة مدمجة بالإعلانات وخط إنتاج توليدي منفصل، مما يمكّن النماذج من تحسين تجربة المستخدم والإيرادات التجارية في آن واحد من خلال استراتيجيات دلالية متميزة وتعلم سياقي قابل للتحكم.
تُثبت هذه الورقة أن قوانين القياس للمشفرات التلقائية المتناثرة عبر طبقات الشبكة العصبية ليست عالمية، بل يتم تحديدها بدلاً من ذلك من خلال البنية الهندسية الكامنة لمنطوِق التنشيط، وتحديداً انحنائه وأبعاده الجوهرية، والتي تملي بشكل يمكن التنبؤ به مستويات خطأ إعادة البناء وأُسس العرض بطريقة قابلة للنقل عبر النماذج المختلفة.
تقدم الورقة البحثية "أوساط المفتاح والقيمة" (Key-Value Means - KVM)، وهي آلية تكرار كتلية (block-recurrence) مبتكرة لآلية الانتباه توحد فوائد نماذج المحولات (Transformers) والشبكات العصبية المتكررة الخطية (linear RNNs) من خلال تمكين تدريب فعال قابل للتوازي عبر الكتل مع نمو مرن للحالة ووقت استباقي (prefill time) دون تربيعي، وكل ذلك باستخدام عمليات قياسية وبأقل قدر من المعلمات الإضافية.
تُثبت هذه الورقة أن تزويد نماذج المحولات (transformers) برموز سياقية كامنة مستمرة يُمكّنها من تنفيذ خوارزميات التعلم عبر الإنترنت بكفاءة، مثل "الأغلبية الموزونة" (weighted majority) و"تعلم كيو" (Q-learning)، مما يسمح للنماذج الصغيرة بالتفوق بشكل ملحوظ على النماذج اللغوية الكبيرة (LLMs) في المهام التكيفية طويلة الأمد.
تقترح هذه الورقة إطار عمل UFO، وهو إطار عمل موحد موجه نحو التدفق يعالج التحديات المزدوجة المتمثلة في النسيان الكارثي والإشراف الضوضائي في التعلم المستمر للرسوم البيانية، وذلك من خلال توظيف النمذجة التوليدية القائمة على التدفق لإعادة التشغيل واستخدام تسجيل الموثوقية على مستوى العينة للتخفيف من المعرفة الفاسدة.
تقدم هذه الورقة "متعدد طيات الطاقة الحرة" (Free Energy Manifold - FEM)، وهو نموذج طاقة شرطي مُدرب بالدرجة (score-trained) يتيح استدلالاً فعالاً في الشبكات البايزية الهجينة عبر تمثيل العوامل الشرطية كأشكال تضاريسية للطاقة ومعالجة "أثر جسر النمط" (mode-bridge artifact) من خلال تنظيم الوادي لتحسين دقة التوزيع اللاحق بشكل كبير في الإعدادات متعددة الأنماط والتركيبية.