12525 ورقة بحثية
تقدم هذه الورقة "خسارة سقراط" (Socrates Loss)، وهي هدف تدريب موحد يدمج فئة مجهولة مساعدة لتحسين دقة التصنيف ومعايرة الثقة في آن واحد، مما يحل بفعالية مقايضة الاستقرار والأداء المتأصلة في الأساليب الحالية.
يعالج DreamStereo تحديات استكمال الفيديو الستيريولوجي (stereo video inpainting) في الوقت الفعلي من خلال تقديم تقنيات التشويه المتوازي المدرك للتدرج (Gradient-Aware Parallax Warping)، والإسقاط المزدوج القائم على اختلاف المنظر (Parallax-Based Dual Projection)، واستكمال الستيريو المدرك للتناثر (Sparsity-Aware Stereo Inpainting) لتوليد نتائج متسقة هندسيًا وتحقيق تسريع قدره 10.7 ضعفًا، مما يتيح معالجة فيديوهات عالية الدقة بسرعة 25 إطارًا في الثانية على وحدة معالجة رسومية واحدة من نوع A100.
تقدم هذه الورقة البحثية نموذج CBAM-DenseNet121، وهو إطار عمل للتعلم بنقل المعرفة معزز بوحدة انتباه الكتل الالتفافية (Convolutional Block Attention Module) يحقق دقة عالية وقابلية للتفسير في التمييز بين الالتهاب الرئوي الطبيعي والبكتيري والفيروسي في صور الأشعة السينية للصدر، مما يعالج الحاجة الماسة للتشخيص متعدد الفئات في البيئات محدودة الموارد، ويكشف أيضاً أن نموذج EfficientNetB3 يقل أداءً عن نموذج CNN مخصص في المهام الثنائية.
تقترح هذه الورقة استراتيجية تدريب زوجي قائمة على تقنية LoRA (LPT) تدمج بين الضبط الدقيق المستهدف لنموذج بصري تأسيسي وبين محاكاة التشوه والحجم لفصل التعميم عن المتانة، مما يؤدي إلى تحسين أداء كشف الصور المولدة بواسطة الذكاء الاصطناجعي بشكل كبير في ظل وجود تشوهات شديدة من العالم الحقيقي.
تقترح هذه الورقة طريقة مبتكرة لتوليد فيديوهات مدارية واقعية ومتسقة من صورة واحدة عبر الاستفادة من الميزات الكامنة متعددة المقاييس من نموذج توليدي تأسيسي ثلاثي الأبعاد كأولويات هيكلية، والتي يتم حقنها في نموذج فيديو أساسي عبر محول ثلاثي الأبعاد متعدد المقاييس للتغلب على قيود الانتباه على مستوى البكسل في استقراء الرؤية بعيدة المدى.
تقترح هذه الورقة إطار عمل "جسر شرويدر" (Schrödinger Bridge) متعدد المهام لتحويل الصور إلى صور، والذي يصيغ تقسيم مثيلات الخلايا كمسألة توليد قائمة على التوزيع مع إشراف مدرك للحدود، محققاً أداءً تنافسياً على مجموعتي بيانات PanNuke وMoNuSeg دون الاعتماد على التدريب المسبق لنموذج SAM أو المعالجة اللاحقة.
تقدم الورقة البحثية APEX، وهو إطار عمل خالٍ من المميز (discriminator-free) يستفيد من إشارات التصحيح التنافسي الداخلية عبر إزاحة الشرط (condition shifting) لتحقيق توليد صور من النصوص في خطوة واحدة بمستوى رائد (state-of-the-art) مع دقة وكفاءة تدريب فائقتين مقارنة بالطرق الحالية.
يُعد HyperLiDAR إطار عمل خفيف الوزن لتجزئة بيانات ليدار (LiDAR) لما بعد النشر، يعتمد على الحوسبة فائقة الأبعاد، مما يتيح التكيف الفعال على الأجهزة للقيادة الذاتية من خلال الاستفيد من التعلم السريع واستراتيجية اختيار المخزن المؤقت للتغلب على القيود الحسابية والتحولات البيئية.
تقترح هذه الورقة البحثية مساراً موحداً لتوليد البيانات الاصطناعية يقوم تلقائياً بإنشاء تسميات توضيحية متنوعة ومتعددة المهام للفيديو لتدريب النماذج اللغوية الكبيرة متعددة الوسائط، مما يثبت أن النماذج التي تتدرب بشكل أساسي على هذه البيانات الاصطناعية يمكنها التعميم بفعالية، وغالباً ما تتفوق على نظيراتها المدربة على بيانات من العالم الحقيقي، عبر مهام مثل عد الأشياء، والإجابة عن الأسئلة البصرية، والتجزئة.
تتحدى هذه الورقة الافتراض القائل بأن التدريب على مجموعات فرعية يقلل من مخاطر الخصوصية من خلال تقديم CoLA، وهو إطار عمل يوضح أن عملية اختيار البيانات نفسها تخلق أسطح هجوم جديدة (هجمات استدلال العضوية للتدريب وهجمات استدلال المشاركة في الاختيار) قادرة على تسريب معلومات حساسة حول كل من بيانات التدريب وسلسلة التوريد الأوسع للبيانات والنماذج.