23200 ورقة بحثية
تُثبت هذه الورقة أن مقارنات التعلم الآلي المؤتمت (AutoML) ذات الميزانية الزمنية القصيرة غالباً ما تكون مضخمة بسبب عيوب في البروتوكول، مثل انحياز اختيار مجموعة الاختبار وعدم فرض حدود زمنية، حيث تُظهر كيف أدى تصحيح هذه المشكلات في دراسة حالة محددة إلى انهيار معدل فوز نظام كان مهيمناً سابقاً وإلغاء المزايا ذات الدلالة الإحصائية على المنافسين.
تقدم هذه الورقة "القياس النفسي عبر معالجة اللغات الطبيعية" (NLP Psychometrics)، وهو إطار عمل يستفيد من الذكاء الاصطناعي القابل للتفسير والميزات القائمة على الشبكات المستمدة من الشخصيات الاصطناعية التي تولدها النماذج اللغوية الكبيرة للتنبؤ بنتائج الصحة النفسية بدقة عالية مع تحديد الدوافع اللغوية والنفسية المحددة وراء هذه التنبؤات بشكل صريح.
تقترح هذه الورقة البحثية إطار عمل H2AL، وهو إطار عمل جديد لتجزئة الصور الطبية بلقطات قليلة تعتمد على التسجيل، والذي يستفيد من الفضاء الزائدي لنمذجة التسلسلات الهرمية التشريحية ويستخدم تجميع التدرج للتحسين المشترك، مما يتغلب على قيود الطرق القائمة على الفضاء الإقليدي لتحسين كل من دقة التسجيل وأداء التجزئة بشكل كبير.
تقدم هذه الورقة البحثية مجموعة بيانات BAMM، وهي عبارة عن 40 ساعة من تسجيلات التلفزيون من العالم الحقيقي، لتوضيح أن كواشف الموسيقى المولدة بواسطة الذكاء الاصطناعي القائمة على الشبكات العصبية الالتفافية (CNN) تعاني من تدهور حرج في الأداء وعدم كفاية في الموثوقية عند تطبيقها في ظروف مراقبة البث الفعلي مقارنة بالبيئات النظيفة أو الاصطناعية.
تكشف هذه الدراسة، باستخدام بيانات من المسح الاجتماعي الأوروبي، أنه في حين تؤثر العوامل الديموغرافية والاجتماعية بشكل كبير على توافق قيم نماذج اللغات الكبيرة عبر أوروبا، فإن بلد إقامة المستجيب يظل مؤشراً متميزاً وقوياً بنفس القدر، حيث يقدم كلا البعدين رؤى متكاملة حول تفاوتات التوافق.
يقدم ResidencyRL إطار عمل للتعلم التعزيزي يدرب وكلاء الذكاء الاصطناٍ السريري من خلال مواجهات مرضية محاكية متعددة الأدوار مع نماذج لغوية كبيرة خصمية ومكافآت مهيكلة، مما يحسن بشكل كبير دقة التشخيص والسلامة ومهارات التواصل مع إظهار قدرة قوية على التعميم عبر مختلف المعايير السريرية.
تُثبت هذه الورقة أن تحويل البيانات الزمنية الرقمية إلى مخططات بصرية ثنائية الأبعاد لنماذج الرؤية واللغة يقلل بشكل كبير من تكاليف طاقة الاستدلال للذكاء الاصطناعي ومتطلبات نافذة السياق، مع تحقيق دقة فائقة في كشف الشذوذ في الوقت ذاته مقارنة بالنماذج اللغوية الكبيرة التقليدية القائمة على النصوص والأساليب الإحصائية المرجعية.
تكشف هذه الورقة أن النماذج اللغوية الكبيرة القائمة على الانتشار ترث ثغرات أمنية متفرقة وقابلة للانتقال من أسلافها ذات التوليد الذاتي، مما يتيح عمليات اختراق فعالة للغاية للنماذج في حالة الصندوق الأسود من خلال تقليم العصبات الميكانيكي وإطار عمل "الانتشار الموجه بـ SN" الجديد الذي يحقق معدلات نجاح هجوم تقترب من المثالية بتكاليف توليد ضئيلة.
تُثبت هذه الورقة أن نماذج المحولات (transformers) المُدربة باستخدام Muon تُظهر "انهيار ما بعد التبصر" (post-grokking collapse) حيث يفشل التعميم بعد تعلم الحساب النمطي بسبب عدم الاستقرار عند واجهة التمثيل-القراءة (representation-readout interface)، وهي ظاهرة تتميز بديناميكيات مُحسِّن متباعدة وتأثيرات حجب يمكن حلها عن طريق تجميد مكونات محددة للنموذج أو إعادة قياس الدائرة المتوافقة مع المهمة.
تقدم هذه الورقة P-Bench، وهو معيار لتقييم الاستدلال الإحصائي في اختبار الفرضيات، وتقدم Fisher-R1، وهو وكيل لغوي كبير مدرب بالتعلم التعزيزي يتفوق بشكل كبير على النماذج الحالية من خلال معالجة الأخطاء الاستنتاجية الدقيقة التي تؤدي إلى استنتاجات علمية غير صحيحة.