23200 ورقة بحثية
تقترح الورقة البحثية آلية LTGA، وهي آلية انتباه رسومي تتعلم مؤشر "تساليس" (Tsallis) لكل حافة للقيام بالاستيفاء الديناميكي بين أشكال الانتباه الكثيفة والمتفرقة، مما يثبت أنه بينما لا تتفوق المؤشرات المتعلمة على المعلمات الثابتة المضبوطة بعناية في الدقة الإجمالية، إلا أنها تحدد بفعالية الحواف الضارة وتقصها لتحسين قابلية التفسير والكفاءة في النموذج.
تجادل هذه الورقة بأن درجات الضغط القياسية غالباً ما تخفق في تحديد مرشحي التقليم الأمثل من أجل المتانة الجماعية بسبب عدم حل حدود المعلومات، وتقترح بدلاً من ذلك إطاراً يستخدم العزوم المحلولة جماعياً وضمانات اختيار موثقة لتقليل إدراك النص (perplexity) للمجموعة الأسوأ بشكل كبير في النماذج اللغوية الكبيرة.
تقدم هذه الورقة طريقة للتوليد مفتوح النهايات تعامل المعايير (rubrics) كمعلومات متميزة كثيفة لعملية التقطير الذاتي في الوقت الفعلي (on-policy self-distillation)، مما يثبت أن هذا النهج يتفوق على كل من تقطير إكمال المرجع (reference-completion distillation) والتعلم التعزيزي باستخدام المعيار كمكافأة (reinforcement learning with rubric-as-reward) من خلال توفير إشارات تدريب أغنى وأقل تقييداً عبر عائلات نماذج ومعايير اختبار متعددة.
تحدد هذه الورقة النقص الحرج في طبقة بيانات موحدة في البنية التحتية للذكاء الاصطنا الاصطناعي في أمريكا اللاتينية، والذي يتسم بقضايا الاكتشاف وعدم كفاية العرض، وتقترح "DataHub"، وهي بنية تحتية للبيانات قائمة على المهام ومبنية على أنطولوجيا محددة لتمكين اكتشاف مجموعات البيانات، وإدارة البيانات الوصفية، والمساهمة، والترخيص، وإعادة الاستخدام.
يعالج ValueFormer الفشل الصامت لسياسات الرؤية واللغة والعمل القائمة على التعلم بالتقليد من خلال تقديم محول سببي مدمج يولد تسميات قيمة كثيفة ومدركة للمراحل لكل إطار لتمكين الكشف الفعال عن الأخطاء عبر الإنترنت وتقدير الميزة، مما يحسن بشكل كبير معدلات إكمال المهام في مهام التلاعب بالروبوتات الحقيقية دون الحاجة إلى تعلم تعزيزي مكلف.
تقدم هذه الورقة نموذج محول ذاتي الإشراف ذاتي تراجعي مع مشفر تلقائي (VAE) مكمّم لتوليد نواقل تعبير جيني أحادية الخلية دقيقة بيولوجياً، مما يؤسس لأول قانون قياس مشترك ذي أسّين وحد لـ "الحد الأمثل للحوسبة" لنموذج تأسيسي أحادي الخلية، مع إثبات قدرته على التنبؤ بالاستجابة للاضطرابات.
تقدم هذه الورقة TQLite، وهو إطار عمل تقطير مبتكر يستفيد من هيئة تحكيم متعددة النماذج اللغوية الكبيرة لتوليد بيانات تدريب اصطناعية عالية الجودة، مما يمكّن النماذج اللغوية الصغيرة من تحقيق أداء في تقييم جودة الترجمة يتسم بالسرعة والقابلية للتوسع ويضاهي النماذج اللغوية الكبيرة المكلفة حوسبياً.
تقدم هذه الورقة وتثبت تجريبياً إطاراً تشفيرياً جديداً للوكلاء المستقلين في البلوكشين، يعمل على ترسيخ الفردية من خلال ربط أوزان الشبكة العصبية بمفتاح خاص عبر براهين المعرفة الصفرية، مما يضمن ثبات الهوية والجدوى الاقتصادية عبر تكالين استقلابية على شبكة سولانا التجريبية (Solana devnet).
تقترح هذه الورقة إطار عمل للتعلم التعزيزي الهرمي العصبي الرمزي يدمج المعرفة التزايدية (InK) والبحث في شجرة عالم الاعتقاد لتمكين التخطيط الرمزي القابل للتحديث والتعلم العصبي المشكل بالمكافأة، مما يؤدي إلى تحسين كفاءة العينة بشكل كبير في مهام الملاحة ذات الأفق الطويل والمكافآت الشحيحة.
تحدد هذه الورقة غياب طبقة مرجعية إقليمية كعائق حاسم أمام تطوير الذكاء الاصطناعي المحلي في أمريكا اللاتينية، وتقترح "EvalsHub" (بنموذجه الأولي LatamBoard) كبنية تحتية مفتوحة ومدفوعة بالحوافز لتمكين التدقيق المستقل وتحسين أنظمة الذكاء الاصطناعي وفقاً للمتطلبات الاجتماعية والاقتصادية المحلية.