23200 ورقة بحثية
يعالج MolBioKG تحدي البداية الباردة للجزيئات غير المسجلة في اكتشاف الأدوية في المجال الحيوي الطبي من خلال تقديم نظام ثنائي الطبقات يعمل على تجذير سلاسل SMILES الخارجة عن الرسم البياني ضمن رسم بياني معرفي واسع النطاق عبر التثبيت الهيكلي متعدد الدقة والتنقل التكيفي المدفوع بالنماذج اللغوية الكبيرة، مما يحسن دقة الاستدلال واستدعاء الأهداف بشكل كبير دون تدريب خاص بالمهمة.
تقدم الورقة البحثية ReASearch، وهو إطار عمل موحد حيث يقوم وكيل واحد مدفوع بالاستدلال بإدارة عملية التحسين بأكملها ذاتياً للمطالبات والبرامج وسير عمل تعلم الآلة، مما يستوعب بفعالية سياسات بحث معقدة ويتفوق على الأنظمة المتخصصة عبر مهام متنوعة.
تقدم هذه الورقة البحثية HYMELL، وهو إطار عمل هجين ثلاثي المستويات يجمع بين النمذجة التحليلية وتعلم الآلة لتقدير زمن انتقال الاستدلال واستهلاك الطاقة بدقة لمختلف بنيات النماذج اللغوية الكبيرة على أجهزة مثل NVIDIA H100، محققاً خطأً يقل عن 5% وممكناً لاستكشاف مساحة التصميم بكفاءة دون الحاجة إلى أجهزة.
لمواجهة التهديد الناشئ لمقاطع الفيديو الإخبارية المزيفة ذات التوليد الصرف الناتجة عن نماذج تحويل النص إلى فيديو، تقدم هذه الورقة أول مجموعة بيانات مخصصة (PS-FNVD) وإطار تصنيف ثلاثي مبتكر (R-T2V) يدمج الاستدلال الدلالي مع الآثار الفيزيائية لتحقيق أداء كشف هو الأفضل في مجاله.
تقدم هذه الورقة البحثية التعلم التعزيزي الثنائي المعزول (IB-RL)، وهو نموذج تدريب مبتكر يطور وكلاء الحوار بشكل مشترك مع عزل صارم لكل وكيل للتغلب على عدم التوافق مع النظير الثابت وتحقيق تعميم فائق ضد الخصوم الاستراتيجيين غير المرئيين مقارنة بنهج التعلم التعزيزي أحادي الجانب التقليدي.
تقترح هذه الورقة خوارزمية جديدة للمكافأة السياقية، وهي "التحسين التدريجي للمحتوى مع الربط المشترك لـ LinUCB بتلاشي المكافأة"، والتي تستخدم نهج "توقع أقصى" لنمذجة تلاشي المكافأة والتعلم المشترك لقيم المطالبات، مما يقلل بفعالية من الإفراط في الاستغلال ويحسن بشكل كبير أداء التحسين التكراري في اختبارات النماذج اللغوية الكبيرة.
تقترح هذه الورقة إطار عمل تدريجي للتدريب اللاحق يتكون من ثلاث مراحل (الاستقصاء الخطي، والضبط الدقيق الكامل، والضبط الدقيق بالتعزيز) يعمل بفعالية على مواءمة النماذج التأسيسية للتوصية مع مقاييس الأعمال من خلال فصل تكييف المهام عن التحسين القائم على المكافأة، مما يظهر أداءً فائقاً في كل من التجارب غير المتصلة بالإنترنت واختبارات A/B عبر الإنترنت واسعة النطاق.
تُظهر هذه الدراسة أن الدارة الكمومية ذات المعلمات لا تُحسّن باستمرار دقة التصنيف أو الاستقرار مقارنة ببديل كلاسيكي مضاهٍ في نموذج الانتباه الهجين المدمج كمومياً، مما يسلط الضوء على ضرورة إجراء تجارب منضبطة وصارمة لتجنب عزو مكاسب الأداء خطأً إلى المكونات الكمومية.
تقترح الورقة البحثية "استقلالية الرؤوس" (Autonomy-of-Heads - AoH)، وهي طريقة خالية من البيانات تحدد رؤوس الاسترجاع والبث في النماذج اللغوية الكبيرة المجمدة من خلال تحليل الهندسة الطيفية لإسقاطات الاستعلام والمفتاح، مما يتيح انتباهاً متفرقاً فعالاً يقلل بشكل كبير من زمن الاستجابة وتكاليف الذاكرة مع الحفاظ على الأداء العالي.
يُعد Gated-BEPO إطار عمل تدريب مبتكر لوكلاء النماذج اللغوية الكبيرة يعمل على تحسين تخصيص الائتمان طويل الأمد عبر اشتقاق مزايا على مستوى الخطوة من رسوم بيانية تجريبية للمسارات عبر تقدير النقطة الثابتة لـ Bellman، ودمجها تكيفياً مع مكافآت مستوى الحلقة باستخدام بوابة ثقة لدمج إشارات مستوى الخطوة بشكل انتقائي فقط عند ملاحظة تنوع كافٍ في الحالة.