25400 ورقة بحثية
تقدم هذه الورقة VIGOR، وهو أسلوب تعلّم تعزيزي خالٍ من المُحقِّق (verifier-free) يستفيد من مكافآت معيار التدرج الجوهري المستمدة من نموذج السياسة نفسه لتحسين أداء النماذج اللغوية الكبيرة في الاستدلال الرياضي وتوليد الكود بشكل فعال دون الاعتماد على مُحقِّقات خارجية أو تسميات ذهبية.
تقدم هذه الورقة البحثية "اللعب الذاتي القائم على الفريق مع التوزين التكيفي المزدوج" (TPAW)، وهو خوارزمية تعلم ذاتي مبتكرة تعزز محاذاة النماذج اللغوية الكبيرة من خلال استخدام إطار عمل فريق تعاوني-تنافسي مع نقاط تفتيش تاريخية وآليات توزين تكيفي مزدوج للتغلب على عدم الاستقرار والقيود التحسينية لأساليب التدريب الذاتي الحالية.
تُعد PruneTIR إطار عمل في مرحلة الاستدلال يعمل على تعزيز الاستدلال المتكامل مع الأدوات في النماذج اللغوية الكبيرة من خلال التقليم الديناميكي للمسارات الخاطئة، وإعادة أخذ عينات استدعاءات الأدوات، وتعليق محاولات إعادة التجربة لتحسين الدقة والكفاءة دون تدريب إضافي.
تقترح هذه الورقة نسختين من خوارزمية "بوروتا" (Boruta) لاختيار الميزات مع تسريع عبر وحدة معالجة الرسومات، مما يثبت أنها تحسن كفاءة الحوسبة بشكل كبير لمجموعات البيانات الضخمة مع الحفاظ على دقة مماثلة للطريقة الأصلية القائمة على وحدة المعالجة المركزية، رغم أن النسخة القائمة على الشوائب قد تبالغ في تقدير أهمية بعض الميزات.
إن G-Zero هو إطار عمل تطوري مشترك وخالٍ من المتحقق (verifier-free)، يتيح التحسين الذاتي مفتوح النهاية للنماذج اللغوية الكبيرة عبر استخدام مكافأة "تلميح-" (Hint-) جوهرية لتدريب نموذج "المقترح" (Proposer) على توليد استعلامات وتلميحات تحدّية، والتي يتعلم منها نموذج "المولد" (Generator) عبر خوارزمية التفضيل المباشر (DPO)، مما يتجاوز قيود الحكام الخارجيين.
تقدم هذه الورقة البحثية L3-PPI، وهو أسلوب لتعلم المحفزات الرسومية (graph prompt learning) غير مرتبط بنموذج محدد وقابل للتوصيل والتشغيل، يعمل على تعزيز التنبؤ بالتفاعل بين البروتينات عن طريق إعادة صياغة التصنيف كمسألة على مستوى الرسم البياني مسترشدة بـ "قاعدة L3" ذات الدوافع البيولوجية لحقن أولويات التفاعل في المتنبئات الحالية.
يقدم البحث نموذج GLiNER2-PII، وهو نموذج متعدد اللغات مدمج تم تدريبه على مجموعة نصوص اصطناعية للكشف بفعالية عن 42 نوعاً من معلومات الهوية الشخصية عبر لغات وتنسيقات متنوعة، محققاً أداءً هو الأفضل في فئته على مقياس SPY المرجعي.
تقدم الورقة البحثية Yeti، وهو مرمز لبنية البروتين يتميز بكونه مدمجاً وتعبيرياً ويعتمد على التكميم الخالي من البحث ومطابقة التدفق، والذي يحقق دقة عالية في إعادة البناء وتنوعاً في الرموز، مما يمكّن من تدريب نماذج متعددة الوسائط صغيرة قادرة على توليد تسلسلات وبنيات بروتينية معقولة من الصفر.
تقترح هذه الورقة البحثية "الخياطة الهندسية رباعية الأبعاد" (Geometric 4D Stitching)، وهي إطار عمل فعال يحدد بوضوح المناطق الهندسية المفقودة ويملؤها بغرز رباعية الأبعاد مستندة إلى معالم واقعية لمعالجة التناقضات في طرق التوليد رباعي الأبعاد الحالية، مما يتيح توسيع وتعديل المشاهد بسرعة وجودة عالية على وحدة معالجة رسوميات واحدة.
تقترح هذه الورقة وتثبت الفرضية القائلة بأن البشر يتعلمون تجريدات قابلة لإعادة الاستخدام في البيئات غير المستقرة من خلال "الضغط الاستشرافي" (prospective compression) من أجل التحسين للمهام المستقبلية، وهو سلوك تفشل الخوارزميات الاسترجاعية والنماذج القائمة على النماذج اللغوية الكبيرة في التقاطه.