25186 ورقة بحثية
تُعد UniJEPA إطار عمل موحداً لسياسات الروبوت يستفيد من التدريب المسبق واسع النطاق على مقاطع الفيديو التعليمية لتعلم تمثيلات مستمرة ومتقطعة مدمجة، مما يتيح أداءً فائقاً في كل من مهام المحاكاة والمهام الواقعية خارج نطاق التوزيع مقارنة بالنهج الحالية القائمة على الرؤية واللغة والنهج التوليدية.
تقدم الورقة البحثية RL4Seg3D، وهو إطار عمل للتكيف مع النطاق غير الخاضع للإشراف يستفيد من التعلم التعزيزي مع دوال مكافأة مبتكرة ومخطط دمج لتحسين دقة وصحة التشريح والاتساق الزمني لتجزئة صدى القلب ثنائي الأبعاد مع الزمن، مع توفير تقدير قوي لعدم اليقين، وكل ذلك دون الحاجة إلى تسميات للنطاق المستهدف.
تقدم الورقة البحثية VERA-MH، وهو إطار عمل مؤتمت يستخدم وكلاء مستخدمين ووكلاء ذكاء اصطناعي محكمين محاكيين لتقييم الأداء الأخلاقي والسلامة لروبوتات الدردشة الخاصة بالصحة النفسية، وتحديداً فيما يتعلق بمخاطر الانتحار، من خلال نموذج تقييم وضعه أخصائي سريري.
تقترح هذه الورقة صياغة لنموذج "Evoformer" تعتمد على المعادلات التفاضلية العادية العصبية (Neural ODE) ذات العمق المستمر، مما يقلل بشكل كبير من التكاليف الحسابية واستهلاك الذاكرة مع الحفاظ على القدرة على التنبؤ ببنى بروتينية معقولة، مقدمةً بذلك بديلاً خفيف الوزن وتكيفياً للنماذج التقليدية للتعلم العميق مثل "AlphaFold".
تستهل هذه الورقة دراسة نظرية لتحسين السياسة بخصوصية تفاضلية من خلال صياغة تعريف خصوصية مخصص للتعلم داخل السياسة (on-policy learning) وتحليل تعقيد العينات لخوارزميات مثل تدرج السياسة وتدرج السياسة الطبيعي، مما يكشف أن تكاليف الخصوصية غالباً ما تظهر كحدود من رتبة أدنى مع تقديم رؤى عملية لتعلم تعزيزي يحافظ على الخصوصية.
تقدم هذه الورقة انتباه الخطية من الرتبة العليا (HLA)، وهو آلية سببية قابلة للتوسع تحقق تفاعلات من رتبة أعلى بتعقيد زمني خطي من خلال الحفاظ على إحصاءات كافية موجزة للبادئات، مما يتغلب على التكلفة التربيعية للانتباه القياسي مع الحفاظ على القدرة التعبيرية للبنيات المتكررة.
تقدم هذه الورقة التعويض الشعاعي (Radial Compensation)، وهو أسلوب للنماذج التوليدية القائمة على المخططات (chart-based) على المتشعبات الريمانية، والذي يعمل على فصل التوزيع الإحصائي لنصف قطر الجيوديسيا عن التكييف العددي من خلال ضبط توزيع الفضاء المماسي الأساسي، مما يضمن استقرار التدريب وتقديرات انحناء قابلة للتفسير بغض النظر عن اختيار المخطط.
تُعد QuickLAP إطار عمل بايزي يستفيد من النماذج اللغوية الكبيرة لدمج التصحيحات الفيزيائية الغامضة مع التغذية الراجعة اللغوية عالية المستوى، مما يمكّن الأنظمة شبه المستقلة من استنتاج دالات مكافأة المستخدم بسرعة ومتانة في الوقت الفعلي.
تُظهر هذه الورقة أن نماذج الانتشار تعاني جوهرياً في مهام التوليد المقيد بسبب عدم قدرتها على أخذ عينات من المناطق الممكنة ذات الأبعاد المنخفضة، وتقترح نهجاً تتابعياً ذاتي الانحدار معززاً بالتعلم التعزيزي وبحث شجرة مونت كارلو كبديل أكثر فعالية لاستيفاء القيود الهندسية والفيزيائية الصارمة.
تقدم الورقة البحثية FOAM، وهو مُحسِّن كفء في استهلاك الذاكرة يقوم بضغط حالات المُحسِّن عبر متوسطات التدرج بنظام الكتل مع تصحيح البواقي، محققاً معدلات تقارب تعادل خوارزمية Adam التقليدية مع التخلص من ما يصل إلى 90% من عبء ذاكرة المُحسِّن وتسريع التدريب دون تدهور في الأداء.