23200 ورقة بحثية
تقترح هذه الورقة أن تراكب التمثيل، حيث تشفر النماذج ميزات أكثر مما تسمح به أبعادها، هو المحرك الأساسي لقوانين القياس العصبية، مما يتسبب في تناقص الخسارة عكسياً مع حجم النموذج في ظل أنظمة التراكب القوية كما هو ملاحظ في النماذج اللغوية الكبيرة الحالية.
تقدم هذه الورقة البحثية X2C، وهي مجموعة بيانات واسعة النطاق تضم 100,000 صورة مزدوجة وقيم تحكم لتعبيرات وجهية دقيقة، إلى جانب إطار عمل X2CNet، لسد الفجوة بين الإشارات البصرية البشرية والتحريك البشري الآلي المقيد فيزيائياً من أجل محاكاة التعبيرات بشكل واقعي.
تقدم هذه الورقة SuperCoder، وهو إطار عمل يستفيد من النماذج اللغوية الكبيرة والتعلم التعزيزي لتحقيق التحسين الفائق لبرامج التجميع، مما يثبت أن النماذج اللغوية الكبيرة المضبوطة بدقة يمكنها توليد كود برمجي صحيح وأسرع بكثير من مخرجات المترجمات القياسية في الصناعة.
تقدم هذه الورقة FoMoH، وهو معيار مرجعي شامل يتضمن 14 مهمة ذات دلالة سريرية وأكثر من 6 ملايين مريض لتقييم النماذج التأسيسية للسجلات الصحية الإلكترونية المهيكلة والأحدث حالياً، كاشفةً أنه بينما تتفوق هذه النماذج على الخطوط المرجعية التقليدية في التمييز والعدالة في ظل البيانات المحدودة، إلا أنها لا تزال تواجه تحديات كبيرة في المعايرة، وفي حالات انتشار الأمراض المنخفضة، وفي قابلية النقل عبر المؤسسات.
تقيم هذه الدراسة أداء نماذج تضمين معالجة اللغات الطبيعية المختلفة على التعبيرات الرمزية الخاصة بالفيزياء الموجودة في نصوص الطلاب، كاشفةً أنه بينما يتفوق نموذج OpenAI's GPT-text-embedding-3-large على غيره، يجب على الباحثين اختيار النماذج بعناية لتجنب الانحياز وضمان الدقة عند تحليل اللغة المتعلقة بالعلوم التي تحتوي على معادلات.
يُعد HyperFake إطار عمل مبتكر للكشف عن التزييف العميق يقوم بإعادة بناء بيانات طيفية فائقة بـ 31 قناة من فيديوهات RGB قياسية باستخدام بنية MST++ محسنة وآليات انتباه طيفي للكشف عن آثار التلاعب الخفية وتحقيق تعميم فائق عبر مجموعات بيانات متنوعة دون الحاجة إلى كاميرات طيفية فيزيائية.
تُثبت هذه الورقة أن دمج التراجع (backtracking) بشكل صريح في مرحلة الإحماء للضبط الدقيق الخاضع للإشراف أمر ضروري لتحسين التعلم المعزز في النماذج اللغوية الكبيرة، حيث يتناسب العمق الأمثل للتراجع طردياً مع صعوبة المهمة لتمكين البحث الشجري غير الخطي الفعال.
تقدم الورقة البحثية ACEvo، وهو إطار عمل ذو حلقة مغلقة حيث تعمل النماذج اللغوية الكبيرة على تطوير حلول استدلالية ومولدات مشكلات بشكل مشترك لإنشاء مناهج تنافسية تكيفية تنتج خوارزميات أكثر متانة وبيئات تقييم أكثر تحدياً للتحسين التوافقي.
تُثبت هذه الورقة أن بنية المحول (transformer)، التي تُسمى محول الـ -means، يمكنها نظرياً وتجريبياً تنفيذ خوارزمية لويد (Lloyd's algorithm) لتجميع الـ -means باستخدام آليات الدوائر القياسية، مع تعلم تجاوز أداء الخوارزمية التقليدية والتعميم بشكل طبيعي على متغيرات التجميع المتنوعة من خلال تعديلات بنيوية.
تقدم هذه الورقة البحثية تعديل الكسب العصبي الديناميكي، وهو تقنية تحسين ثنائية المقياس الزمني مستوحاة من الآليات البيولوجية التي تزيد كسب الخلايا العصبية بشكل عابر لموازنة اللدونة والاستقرار، مما يخفف بفعالية من فجوة الاستقرار الملحوظة في التعلم المستمر المشترك عبر مختلف المعايك.