12113 ورقة بحثية
تُنشئ هذه الورقة البحثية وتُقيّم شبكات عصبية متكافئة مع المجموعات تستفيد من التناظرات الدورانية الدورية للتنبؤ بدقة بمعلم الترتيب لـ -tensor ثنائي الأبعاد للبلورات السائلة النيماتية، مُظهرةً أن هذه النماذج تتفوق على المعايير غير المتكافئة في الدقة والتعميم، مع تحسن الأداء مع زيادة رتبة مجموعة التناظر.
تقدم هذه الورقة "ذاكرة التنسور" (Tensor Memory)، وهي وحدة خفيفة الوزن تعزز نماذج المحولات (Transformers) بتنسور ذاكرة ثلاثي الأبعاد، ثابت الحجم ومتكرر، لفصل سعة الحالة عن طول التسلسل مع الحفاظ على الانحيازات الاستقرائية المكانية لتحسين فهم الفيديو طويل المدى والاستنتاج الحساس للاحتجاب.
تقدم الورقة البحثية STROP، وهو مرمز بصري منفصل يتعلم برامج بصرية متغيرة الطول لالتقاط التمثيلات الهيكلية للمشهد من خلال تحسين رأس طول مخصص عبر منهج تعليمي مكون من أربع مراحل تحت إشراف سمات عالية المستوى، مما يتجاوز إعادة بناء البكسلات لإعطاء الأولوية للهيكل التركيبي على حساب الملمس.
تقترح هذه الورقة إطار عمل "ممثل-ناقد" كامن ومحاذٍ للحالة، يُمكّن نماذج الانتشار من العمل كدوال قيمة مشروطة بالخطوة الزمنية الخاصة بها، مما يسهل تدريب "بروتوكول استقطاب السياسة" (PPO) المستقر على مستوى المسار، وتحسين المكافآت المتعددة، والتوجيه الفعال أثناء الاستدلال للتفوق على أساليب المحاذاة الحالية.
تُثبت هذه الورقة أن نماذج الرؤية واللغة (VLMs) التي تقوم بالتعرف الضوئي على الحروف (OCR) للنصوص اليونانية القديمة غالباً ما تعتمد على الأوليات اللغوية لتوليد أخطاء فصيحة ولكنها غير مستندة إلى الرؤية، وهو نمط فشل يستمر حتى مع تدخلات وقت فك التشفير ويختلف اختلافاً جوهرياً عن أنماط الضجيج في أنظمة التعرف الضوئي التقليدية.
تقدم هذه الورقة SegWorld، وهو نموذج تجزئة يستفيد من استدلال تسلسل الأفكار البصري الاستباقي لسد الفجوة بين التعليمات القائمة على النوايا عالية المستوى والتنبؤ الدقيق بالقناع من خلال استنتاج الإمكانيات ومواقع التفاعل الفيزيائي قبل تلقي أوامر محددة.
يقدم فريق CuriosAI نهجين، هما SVA وTMKG، لتحدي CASTLE في مؤتمر EgoVis 2026، حيث حقق مسار عملهم المكون من ثلاث مراحل (البحث-التحقق-الإجابة) دقة بنسبة 0.50 على لوحة المتصدرين من أصل 185 سؤالاً من نوع الاختيار من متعدد مستمدة من أكثر من 600 ساعة من فيديوهات منظور الشخص الأول متعددة المشاهد والمتزامنة.
تقدم هذه الورقة البحثية "المشفرات التلقائية المتناثرة زمنياً والمتبقية" (Residualized Temporal Sparse Autoencoders)، وهي إطار عمل مبتكر يعمل على تفكيك مسارات تنشيط نماذج الانتشار إلى حالة أولية ومتبقيات غير قابلة للتنبؤ خطياً، وذلك لتمكين اكتشاف وتحليل سمات قابلة للتفسير، متناثرة وذات بنية زمنية.
تُجري هذه الورقة تحليلاً مقارناً شاملاً لسبعة خوارزميات من خوارزميات التعلم الاتحادي المخصص عبر مجموعات بيانات MNIST وSignMNIST وDigit5 لتحديد نماذج APPLE وFedGC وFedProto كأفضل النماذج أداءً في مهام التعرف على الأنماط بناءً على مقاييس الدقة والضبط والاستدعاء ودرجة F1.
تقترح هذه الورقة إطاراً للتعلم الذاتي الإشراف الكفء حاسوبياً للتعرف على الأنسجة، يستخدم مشفرًا تلقائيًا تلاففيًا مع مرشحات عميقة وتجميع متجه فيشر لمعالجة ندرة البيانات دون الاعتماد على بنيات المحولات الرؤيوية الثقيلة.