25186 ورقة بحثية
تقترح هذه الورقة وتقيم طريقتين مبتكرتين، وهما إسقاط مستشعر الإدخال (ISensD) والمجمع المستشعر غير المتغير (ESensI)، حيث تثبت من خلال تجارب على ثلاث مجموعات بيانات للمراقبة الأرضية أن النماذج متعددة المستشعرات القائمة على التجميع وتقنيات إسقاط المستشعرات تعزز بشكل كبير من قوة التنبؤ ضد فقدان بيانات المستشعرات.
تقدم الورقة البحثية BEAVER، وهو أول معيار مرجعي لتحويل النص إلى لغة SQL مستمد من مستودعات بيانات الشركات الخاصة ويضم 9,128 استعلاماً من واقع العمل عبر 19 مجالاً، والذي يكشف عن فجوة أداء كبيرة للنماذج المتطورة ويقترح إطار تقييم دقيق لتشخيص التحديات المعقدة مثل المعرفة بالمجال واستخدام الدوال المتقدمة.
تقترح الورقة البحثية Stylus، وهو إطار عمل لا يتطلب تدريباً يعيد توظيف نماذج انتشار الصور المدربة مسبقاً لتحقيق نقل نمط موسيقي عالي الدقة على المخططات الطيفية لـ "ميل" (Mel-spectrograms) عبر التلاعب بآليات الانتباه الذاتي واستخدام إعادة بناء حافظة للطور، متفوقاً بذلك على الأساليب الحالية ذات الصفر من التدريب (zero-shot) في كل من الحفاظ على المحتوى والجودة الإدراكية.
تقدم الورقة البحثية Ciliary-DETR، وهو إطار عمل جديد للكشف عن الأشياء يحاكي التكيف البصري البيولوجي من خلال توظيف متنبئ مقياس خفيف الوزن وقابل للتعلم لتحسين دقة الاستدلال ديناميكيًا، مما يتغلب على قيود أحجام المدخلات الثابتة ويعزز المتانة من خلال التكيف مع المقياس المدفوع بالخسارة.
تُقيّم هذه الدراسة ستة نماذج متطورة لمراقبة الأرض متعددة المصادر لتكشف أن متانتها تجاه البيانات المفقودة تعتمد على طبيعة المهمة، وتكامل المصادر، وتصميم النموذج، بينما تتحدى الافتراض القائل بأن استخدام جميع البيانات المتاحة يحسن الأداء دائمًا.
تُعد VIPO خوارزمية جديدة للتعلم التعزيزي غير المتصل القائم على النموذج، تعمل على تعزيز دقة النموذج وتحقيق أداء رائد من خلال دمج التغذية الراجعة ذاتية الإشراف لمعاقبة عدم الاتساق بين تقديرات القيمة المستمدة من البيانات غير المتصلة وتلك التي يتنبأ بها النموذج المتعلم.
تقدم الورقة البحثية LMNet، وهو إطار عمل كثيف وقابل للتفاضل يربط النماذج اللغوية سابقة التدريب عبر حواف اتصال (seq2seq) قابلة للتدريب لتمكين نقل المعلومات بكفاءة وتحسينها من طرف إلى طرف وتحقيق ذكاء ناشئ بأدنى قدر من الإشراف.
تقترح الورقة البحثية إطار العمل A³، وهو إطار تقريب منخفض الرتبة لما بعد التدريب يعمل تحليلياً على تقليص الأبعاد الخفية لمكونات المحولات (QK وOV وMLP) لتقليل الفقد الوظيفي، مما يحقق ضغطاً وأداءً فائقين مع عدم وجود أي عبء تشغيلي مقارنة بالطرق الحالية.
تقترح الورقة البحثية إطار عمل NFR، وهو إطار عمل جديد يعتمد على التعلم غير الخاضع للإشراف يدمج الميزات العصبية في مسار تسجيل هندسي تكراري لتحقيق أداء رائد في مطابقة الأشكال ثلاثية الأبعاد غير الصلبة والجزئية دون الحاجة إلى تعليقات توضيحية للمطابقة.
تقدم الورقة البحثية ReVisiT، وهي طريقة فك تشفير لا تتطلب تدريباً تعمل على التخفيف من الهلوسة في النماذج اللغوية البصرية الكبيرة عبر إسقاط الدلالات البصرية ذات الصلة ديناميكياً من الرموز البصرية في عملية توليد النصوص، محققةً أداءً متفوقاً مع تقليل التكلفة الحسابية.