11683 ورقة بحثية
توضح هذه الورقة أنه بينما تقوم نماذج التعلم الخاضع للإشراف الذاتي بترميز النغمة المعجمية في لغتي الماندرين واليوربا بطبيعتها، فإن عملية التكميم اللاحقة إلى وحدات كلامية منفصلة تعطي الأولوية للبنية الصوتية القطعية على الميزات فوق القطعية، مما يشير إلى الحاجة إلى نهج تجميع ثنائي المراحل على التمثيلات المتبقية لالتقاط النغمة والعروض بشكل أفضل.
يُعد ConsistRM إطار عمل للتدريب الذاتي يعمل على تحسين نماذج المكافأة التوليدية من خلال تقديم مكافآت الإجابة والنقد المتوافقة لإنشاء تسميات مستعارة مستقرة والحد من اختراق المكافأة، مما يجعله يتفوق على الضبط الدقيق بالتعزيز التقليدي دون الاعتماد على التوضيحات البشرية المكلفة.
تقترح هذه الورقة إطار عمل DFR-Gemma، وهو إطار عمل مبتكر يُمكّن النماذج اللغوية الكبيرة من إجراء استدلال ذاتي وفعال ودقيق بنمط "الصفر محاولة" (zero-shot) مباشرة فوق التضمينات الجيومكانية الكثيفة عبر محاذاتها مع الفضاء الكامن للنموذج، مما يقضي على أوجه القصور وعدم الدقة في التمثيلات النصية الوسيطة.
تقترح الورقة البحثية إطار عمل "التفكيك، والنظر، والاستنتاج" (DLR)، وهو إطار استدلال كامن معزز يعمل على تفكيك الاستعلامات ديناميكيًا إلى مقدمات نصية واستخراج كامنات بصرية مستمرة مشروطة بالمقدمات لتحقيق أداء فائق في مهام الاستدلال البصري المعقدة مقارنة بالطرق الحالية.
تقدم هذه الورقة TR-EduVSum، وهي مجموعة بيانات جديدة للفيديوهات التعليمية التركية تحتوي على 3281 ملخصاً بشرياً، وتقترح إطار عمل AutoMUP لتوليد ملخصات عالية الجودة قائمة على الإجماع ومعيارية ذهبية تلقائياً من خلال تجميع وتوزين الوحدات المعنوية، محققةً أداءً دلالياً يضاهي النماذج اللغوية الكبيرة المتقدمة.
تقترح هذه الورقة إطار عمل قائماً على الاستنتاج يستفيد من النماذج اللغوية الكبيرة كأحكام دلالية للتحقق من مخرجات خوارزميات التجميع غير الخاضعة للإشراف التعسفية وتحسينها من خلال التحقق من التماسك، والفصل في التكرار، وتأصيل التسميات، مما يؤدي إلى تحسين جودة التجميع وقابليته للتفسير بشكل كبير دون الحاجة إلى بيانات مصنفة.
تقترح هذه الورقة أن النماذج اللغوية الكبيرة تعمل كحالات من الضغط غير الكامل الذي يقترب من حد "عنق الزجاجة المعلوماتي" أثناء مرحلة ما قبل التدريب، مما يثبت أن مثالية الضغط والمحتوى المعلوماتي للنموذج يمكنهما التنبؤ بأدائه اللاحق عبر مختلف الاختبارات المعيارية.
تقدم الورقة البحثية CAMO، وهو إطار عمل تجميعي جديد يعتمد على تحسين الفئات الأقلية الواعية بالفئات، والذي يعزز أداء الفئة الأقلية ديناميكيًا من خلال توزيع التصويت الهرمي، ومعايرة الثقة، وعدم اليقين بين النماذج، مما يظهر تفوقًا في درجات F1 الكلية (macro F1-scores) على الطرق الحالية في معايير النماذج اللغوية غير المتوازنة.
تقترح هذه الورقة إطاراً إحصائياً يعيد صياغة التوسيم البشري بوصفه عملية قياس لتفكيك مخرجات التوسيم إلى مصادر تفسيرية للتباين — مثل صعوبة الحالة، وتحيز الموّسم، والضجيج الموقفي، والتوافق العلاقاتي — مما يتجاوز المعالجة التبسيطية للاختلاف باعتباره مجرد ضجيج لتمكين علم أكثر منهجية لتوسيم البيانات.
تقدم هذه الورقة "رسوم الاستدلال البيانية"، وهي بنية مبتكرة تحافظ على تسلسل الأفكار القائم على الأدلة عبر الاستعلامات لتمكين دقة الوكيل ذاتية التحسين والحتمية دون إعادة تدريب، مما يقلل بشكل كبير من التباين في الإجابة على الأسئلة متعددة الخطوات.