24888 ورقة بحثية
تقدم هذه الورقة إطار عمل قابلاً للتوسع وقائماً على المخرجات لتقييم محاذاة الذكاء الاصطناعي من خلال تحديد ستة موضوعات قيم جوهرية، مظهرةً أنه بينما تعيد 75 نموذجاً لغوياً كبيراً إنتاج ترتيب القيم البشرية باستمرار، إلا أنها غالباً ما تتباين في معايرة القيم، مع تفاوت دقة الملف التعريفي بشكل مستقل عن حجم النموذج أو قدراته.
تقدم هذه الورقة OSWorld-Human، وهو معيار مرجعي مُعلق يدوياً يكشف أن وكلاء استخدام الكمبيوتر الحاليين يعانون من زمن انتقال وكفاءة باهظين، ويرجع ذلك أساساً إلى كثرة استدعاءات النماذج للتخطيط والتفكير، مما يؤدي إلى استغراقهم في تنفيذ المهام عدداً من الخطوات يزيد بمقدار 2.7 إلى 4.3 مرة عن البشر.
يُعد CooT إطار عمل مبتكر يسخر التعلم في السياق لتمكين الأنظمة متعددة الوكلاء من التكيف بسرعة وقوة مع الشركاء غير المألوفين دون تحديثات للمعلمات، متفوقاً بذلك على الأساليب القائمة على السكان، والضبط الدقيق، والتعلم المعزز الميتا، في اختبارات مرجعية مثل Overcooked وGoogle Research Football.
تقدم هذه الورقة نموذجاً لتوليد الفيديو رباعي الأبعاد مدركاً للهندسة، يفرض اتساقاً ثلاثي الأبعاد متعدد الرؤى من خلال محاذاة خرائط النقاط عبر الرؤى لإنتاج تسلسلات فيديو مستقبلية متماسكة زمنياً ومتوافقة مكانياً من وجهات نظر جديدة، مما يمكّن سياسات التحكم الروبوتية القوية التي تعمم عبر وجهات نظر كاميرا مختلفة.
تقدم هذه الورقة JSON-Bag، وهي طريقة عامة لتمثيل مسارات الألعاب من خلال ترميز أوصاف JSON الخاصة بها وقياس التشابه عبر مسافة جينسن-شانون، والتي تتفوق على النماذج المرجعية المصممة يدويًا في تصنيف الوكلاء والمعلمات والبذور عبر ست ألعاب طاولة مع إظهار ارتباط قوي مع مسافات سياسة الوكيل وكفاءة العينات.
تقدم هذه الورقة استراتيجية مبتكرة لاختيار البيانات بناءً على الصعوبة لعملية التحسين المباشر للتفضيلات (DPO)، والتي تحدد أمثلة التفضيل الصعبة عبر فجوات مكافأة ضمنية أصغر، مما يحسن كفاءة وأداء محاذاة النموذج بشكل كبير باستخدام 10% فقط من البيانات الأصلية مقارنة بالنماذج المرجعية الحالية.
تُعد Loupe وحدة بوابية مكانية خفيفة الوزن وسهلة التوصيل والتشغيل لنماذج المحولات الرؤيوية (Vision Transformers)، حيث تعزز بشكل كبير التصنيف البصري دقيق التفاصيل عبر التنبؤ بأقنعة مكانية متفرقة لتضخيم الميزات التمييزية، محققةً نتائج رائدة عالمياً في مجموعة بيانات CUB-200-2011 مع حد أدنى من الزيادة في عدد المعلمات.
تقترح هذه الورقة البحثية "التصحيح التكيفي الرتبي" (ORDAC)، وهو إطار عمل جديد متمحور حول البيانات يستفيد من تعلم توزيع الملصقات لضبط وتصحيح الملصقات الرتبية المشوشة ديناميكيًا أثناء التدريب، مما يحسن بشكل كبير من متانة النموذج ودقته في مجموعات بيانات مثل Adience وDiabetic Retinopathy تحت ظروف ضجيج مختلفة.
تقدم هذه الورقة مرشح اتساق العملية (PROF)، وهو طريقة لتنقية البيانات تستفيد من الاتساق بين نماذج مكافأة العملية ونماذج مكافأة النتيجة لاختيار عينات تدريب عالية الجودة، مما يؤدي إلى تحسين دقة الإجابة النهائية وموثوقية الاستدلال مع تجنب عدم الاستقرار الناتج عن التحسين المباشر للمكافأة.
تقدم الورقة البحثية CoUn، وهو إطار عمل جديد لـ "إلغاء التعلم" (machine unlearning) يستفيد من التعلم التبايني والتعلم الخاضع للإشراف على البيانات المتبقية لإزالة تأثير عينات النسيان بفعالية من خلال تعديل تمثيلاتها الدلالية، مما يجعله يتفوق على الأساليب الحالية الرائدة.