24717 ورقة بحثية
تقدم هذه الورقة طريقة لبناء تمثيلات تكاملية صريحة لشبكات ReLU ذات الطبقتين يمكنها تقريب كثيرات الحدود متعددة المتغيرات بحدود خطأ تعتمد على معاملات الحدود أحادية الحد والتوزيع بدلاً من الاعتماد الصريح على البعد أو الدرجة.
تُظهر هذه الورقة، باستخدام اللغات الصورية كبيئة اختبار منضبطة لتجنب تلوث البيانات، أنه في حين يحقق الضبط الدقيق كفاءة أعلى في التوزيع الداخلي مقارنة بالتعلم السياقي، فإن كلا النمطين يُظهران قدرات مماثلة في التعميم خارج التوزيع والتحيزات الاستقرائية، رغم أن التعلم السياقي أكثر حساسية بشكل ملحوظ لحجم النموذج والمفردات.
تقترح الورقة البحثية MetaErr، وهو إطار عمل للتعلم التلوي (meta-learning) غير مرتبط ببنية محددة، مصمم للتنبؤ بما إذا كانت الشبكة العصبية العميقة الأساسية ستفشل في معالجة عينة بيانات معينة، مما يظهر فعاليته في تحسين التعلم شبه الموجه والتنبؤ بالأخطاء عبر مختلف معايير الرؤية الحاسوبية.
تُجري هذه الورقة دراسة تجريبية لثماني تقنيات شائعة للتعلم النشط باستخدام تعليقات نصية مستمدة من مصادر جماعية حقيقية لتقييم أدائها في ظل وجود مُعلِّمين بشريين غير مثاليين وغير مستجيبين.
إن CombiMOTS هو إطار عمل للبحث في شجرة مونت كارلو لباريتو (Pareto Monte Carlo Tree Search) مصمم لتوليد الجزيئات ذات الأهداف المزدوجة، والذي يعالج قيود التحسين بالترجيح (scalarized optimization) والافتقار إلى التخطيط الاصطناعي من خلال استكشاف فضاء شظايا قابل للتخليق باستخدام قيود متجهة لموازنة الألفة المستهدفة والخصائص الفيزيائية والكيميائية.
تُعد CODA وحدة تعزيز مستقلة عن الخوارزميات تُمكّن التعلم المعزز غير المتصل متعدد الوكلاء من تحقيق تنسيق أفضل عبر استخدام مولد مسارات قائم على الانتشار لإنتاج خبرات اصطناعية متوافقة مع السياسة تتطور جنباً إلى جنب مع سلوكيات الوكلاء المتغيرة.
تقترح الورقة البحثية إطار عمل STAND، وهو إطار لوصف التغيرات في صور الاستشعار عن بعد، والذي يعمل على حل الغموض تدريجياً في زاوية الرؤية، والمقياس، والمعرفة المسبقة من خلال تنظيم التمثيل الزمني، وإزالة الغموض المكاني ثنائي التدرج، وتثبيت المفاهيم الدلالية.
يُعد GIFT (الاستقرار العالمي عبر الضبط الدقيق الجوهري) إطار عمل تدريب عام الغرض، صُمم لتحسين الموثوقية في العالم الحقيقي لسياسات التعلم التعزيزي العميق من خلال التحسين من أجل الاستقرار العالمي عبر دالة مكافأة مخصصة دون التضحية بأداء المهمة.
تقترح الورقة البحثية طريقة **SHEAR**، التي تعمل على تحسين التعلم المعزز لمهام الاستدلال من خلال استخدام مسافة واسرستاينين (Wasserstein distance) بين توزيعات الحالات الخفية للمسارات الصحيحة والخاطئة لإجراء تخصيص دقيق للائتمان على مستوى الرمز (token-level credit assignment) دون الحاجة إلى نماذج مكافأة إضافية أو تعليقات توضيحية على مستوى الخطوة.
تقدم الورقة البحثية "التعلم المعزز بهامش الثقة" (RLCM)، وهو إطار عمل يعمل على تحسين معايرة الاستدلال في النماذج اللغوية الكبيرة من خلال استخدام مكافأة عملية معززة بالهامش لتوسيع فجوة الثقة بين خطوات الاستدلال الوسيطة الصحيحة والخاطئة، مما يؤدي إلى تقليل الإفراط في الثقة وتمكين الحوسبة الأكثر كفاءة في وقت الاختبار.