26898 ورقة بحثية
تحدد هذه الورقة ظاهرة "النسيان الزائف"، حيث تفشل دقة إلغاء التعلم في اكتشاف المعلومات المحتفظ بها، وتقترح مقياساً جديداً (CR) وإطار عمل (CPU) قائماً على التنبؤ المطابق لضمان إزالة الملصق الحقيقي (ground truth label) بفعالية من مجموعة عدم اليقين الخاصة بالنموذج.
تقدم هذه الورقة البحثية DIPSER، وهي مجموعة بيانات جديدة وشاملة في البيئات الواقعية للتعرف على تفاعل الطلاب حضورياً، والتي تجمع بشكل فريد بين بيانات كاميرا RGB متعددة الزوايا، ومقاييس مستشعرات الساعة الذكية، وتسميات متنوعة تم التحقق منها من قبل خبراء لتسهيل تحليل انتباه الطلاب وعواطفهم عبر مختلف السياقات التعليمية.
تقدم هذه الورقة إطار عمل جديد لتفسير الشبكات العصبية الرسومية (GNN) على مستوى النموذج، يقوم بإعادة بناء القيم اللوجستية الأصلية متعددة الفئات عبر تركيب مفاهيم المخططات الفرعية المرتكزة في قواعد رمزية وتمريرها عبر مصنف مجمد، مما يحقق تفسيرات عالمية عالية الدقة وقابلة للتجسيد عند وقت الاختبار مع تحليل للمساهمة على مستوى القواعد، وبسرعة أكبر بكثير من الطرق السابقة.
تجادل ورقة الموقف هذه بضرورة تحول كشف السمية من معاملة السمية كخاصية جوهرية للنصوص المعزولة إلى قياسها كضرر تواصلي سياقي، وذلك عبر تقديم إطار الإجهاد السياقي (CSF) وأداة تقييم (CSF-Eval) لالتقاط كيفية توليد انتهاكات المعايير المتصورة والسياق الاجتماعي للاضطراب الفعلي بشكل أفضل.
تقدم هذه الورقة البحثية مسار عمل يستخدم النماذج اللغوية الكبيرة لاستخراج وتحديد زمن النتائج السريرية من تقارير الحالات الطبية، مما أدى إلى إنشاء مجموعة بيانات نصية زمنية مفتوحة الوصول لمرض الإنتان (Sepsis-3) تُظهر دقة عالية في استعادة الأحداث والترتيب الزمني مقارنة بتدوينات الأطباء.
تقترح هذه الورقة البحثية "إلغاء تعلم اتصال النمط" (MCU)، وهو إطار عمل مبتكر يستفيد من اتصال النمط غير الخطي والاستراتيجيات التكيفية للتغلب على تشابك الأوزان في الطرق الحالية، مما يؤدي إلى توليد طيف من نماذج إلغاء التعلم التي توازن بفعالية بين جودة النسيان والأداء التنبؤي مع تقليل العبء الحسابي.
تقدم هذه الورقة البحثية "التعطيل المتغير منخفض الرتبة" (LRVD)، وهو إطار عمل بايزي يكسر التماثل الدوراني لتقنية LoRA عبر الاستدلال المتغير لتحديد الرتب الفعالة للمهايئ واليقين التنبؤي تلقائياً مع حد أدنى من العبء الإضافي للمعلمات.
تقدم هذه الورقة طريقة لتفكيك التباين على مستوى الطبقات للشبكات التوأمية العميقة، والتي تعزل عدم اليقين الخاص بالمُشفر عن عدم اليقين الخاص بالرأس عبر تفعيل تقنية "مونت كارلو دروب آوت" (Monte Carlo Dropout) بشكل مستقل، مما يثبت أن مكون المُشفر يحدد بفعالية التحولات التوزيعية ويوجه استراتيجيات جمع البيانات لتحسين تقدير تأثير العلاج الفردي.
تقترح هذه الدراسة استقصائية إطار عمل رباعي الأدوار (مساعد، ومتعاون، وعالم، ومقيّم) يدمج بين الاستقلالية، والوظيفة الإدراكية، والابتكار العلمي لتحليل القدرات، والقيود، ومتطلبات الإشراف البشري للنماذج اللغوية الكبيرة في البحث والاكتشاف العلمي بشكل منهجي.
تقترح هذه الورقة إطار عمل "تعاون الوكلاء المقنع" (MAC)، الذي يعزز اتخاذ القرار الطبي من خلال الاختيار المنهجي لوكلاء النماذج اللغوية الكبيرة (LLM) الأمثل وفق معيار باريتو، وإخفاء المخرات المتضاربة بشكل تكراري لتمكين انتشار المعلومات التكيفي والمتدرج.