🤖 Category

cs.LG

24832 ورقة بحثية

🤖 machine learning

Hybrid JIT-CUDA Graph Optimization for Low-Latency Large Language Model Inference

تقترح هذه الورقة إطار عمل تشغيلي هجين يجمع بين الترجمة الفورية (JIT) وتنفيذ رسوم كودا البيانية (CUDA Graph) لتقليل زمن انتقال الاستدلال وحمل إطلاق النواة بشكل كبير لأعباء عمل نماذج اللغات الكبيرة ذات التسلسلات القصيرة.

Divakar Kumar Yadav, Tian Zhao2026-04-28
🤖 machine learning

GeoCert: Certified Geometric AI for Reliable Forecasting

يُعد GeoCert إطار عمل للذكاء الاصطناٍ الهندسي يوحد بين التنبؤ، والاستدلال الفيزيائي، والتحقق الرسمي من خلال نمذجة التطور على متشعب زائدي، مما يتيح تنبؤات عالية الكفاءة، ومتسقة فيزيائياً، وموثوقة بشكل قابل للتحقق عبر مجالات علمية متنوعة.

Regina Zhang, Zongru Li, Honggang Wen, Xiaofeng Liu, Siu-Ming Yiu, Pietro Liò, Kwok-Yan Lam2026-04-28
🤖 machine learning

Supernodes and Halos: Loss-Critical Hubs in LLM Feed-Forward Layers

تحدد هذه الورقة البحثية "العقد الفائقة" (supernodes)—وهي مجموعة صغيرة وعالية التركيز من القنوات الحرجة للفقد داخل الشبكات العصبية من نوع المحولات (Transformer) ذات التغذية الأمامية—وتثبت أن حماية هذه القنوات أثناء عملية التقليم المهيكل (structured pruning) يحسن أداء النموذج بشكل كبير مقارنة بالطرق التقليدية.

Audrey Cherilyn, Houman Safaai2026-04-28
🤖 machine learning

Leveraging Spatial Transcriptomics as Alternative to Manual Annotations for Deep Learning-Based Nuclei Analysis

تقترح هذه الورقة إطار عمل يستخدم بيانات النسخ المكاني لتوليد تسميات لأنواع الخلايا وأقنعة نووية تلقائياً، مما يوفر بديلاً قابلاً للتوسع لعمليات التوسيم اليدوي المكلفة لتدريب نماذج التعلم العميق في تقسيم وتصنيف النوى.

Kazuya Nishimura, Ryoma Bise, Haruka Hirose, Yasuhiro Kojima2026-04-28
🤖 machine learning

Do Synthetic Trajectories Reflect Real Reward Hacking? A Systematic Study on Monitoring In-the-Wild Hacking in Code Generation

تُظهر هذه الورقة أن مسارات اختراق المكافأة الاصطناعية تفشل في تمثيل أو التعميم بدقة على سلوكيات الاختراق التي تحدث طبيعياً "في الواقع" في توليد الكود، مما يشير إلى أن الاعتماد فقط على البيانات الاصطناعية لتدريب أدوات المراقبة يمكن أن يؤدي إلى استنتاجات مضللة.

Lichen Li, Hengguang Zhou, Yijun Liang, Tianyi Zhou, Cho-Jui Hsieh2026-04-28
🤖 machine learning

Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather

تقترح هذه الورقة نموذجاً هجيناً للتعلم العميق المعتمد على التجميع (CNN-Transformer) يتميز بالقابلية للتفسير والالتزام بالفيزياء، والذي يعمل على تحسين دقة التنبؤ بالأحمال الكهربائية أثناء الظواهر الجوية المتطرفة في نظام ERCOT من خلال دمج قيود درجة الحرارة والطلب الفيزيائية واستخدام قيم SHAP لتفسير التحولات في المحركات الأرصادية.

Md Abubakkar, Sajib Debnath, Md. Uzzal Mia2026-04-28
🤖 machine learning

CAPSULE: Control-Theoretic Action Perturbations for Safe Uncertainty-Aware Reinforcement Learning

يُعد CAPSULE إطار عمل للتعلم التعزيزي الآمن يتعلم نموذج ديناميكيات احتمالية ذات طبيعة تحكم-أفينية في بيئة غير متصلة (offline)، ويستخدمه لبناء دوال حاجز تحكم (CBFs) مدركة لعدم اليقين من أجل تصحيح الإجراءات القائم على القيود عبر الإنترنت لضمان الاستكشاف الآمن في الأنظمة المعقدة.

Rahul Narava, Siddharth Verma, Ojas Jain, Shashi Shekhar Jha, Mayank Shekhar Jha2026-04-28
🤖 machine learning

RouteNLP: Closed-Loop LLM Routing with Conformal Cascading and Distillation Co-Optimization

يُعد RouteNLP إطار عمل مغلق الحلقة يعمل على تحسين تكاليف خدمة النماذج اللغوية الكبيرة (LLM) من خلال الجمع بين موجه مدرك للصعوبة، والتدرج القائم على التنبؤ المطابق، وحلقة تحسين مشتركة للتقطير والتوجيه، وذلك لتوجيه الاستعلامات إلى النموذج الأكثر كفاءة ضمن محفظة متعددة المستويات مع الحفاظ على جودة عالية وزمن استجابة منخفض.

Dongxin Guo, Jikun Wu, Siu Ming Yiu2026-04-28
🤖 machine learning

ComplianceNLP: Knowledge-Graph-Augmented RAG for Multi-Framework Regulatory Gap Detection

يُعد ComplianceNLP نظاماً متكاملاً يستخدم مسار استرجاع معززاً بالمعرفة (RAG) مدعوماً برسم بياني للمعرفة واستخراج الالتزامات متعدد المهام لأتمتة المراقبة التنظيمية وكشف الفجوات، متفوقاً بذلك على GPT-4o مع زيادة كفاءة المحللين بشكل كبير في عمليات النشر المالي الواقعية.

Dongxin Guo, Jikun Wu, Siu Ming Yiu2026-04-28
🤖 machine learning

TimingLLM: A Two-Stage Retrieval-Augmented Framework for Pre-Synthesis Timing Prediction from Verilog

يُعد TimingLLM إطار عمل يعتمد على الاسترجاع مكوناً من مرحلتين، يتنبأ بمقاييس التوقيت بعد عملية التصنيع (WNS وTNS) مباشرة من لغة Verilog عبر الجمع بين نموذج "أوراكل" (oracle) لنموذج لغوي كبير مضبوط بدقة لاستخراج تلميحات التوقيت الهيكلية، وبين نموذج انحدار قائم على نموذج لغوي كبير معزز بالاسترجاع باستخدام خوارزمية أقرب جار (k-nearest neighbor).

Armin Abdollahi, Negin Ashrafi, Mehdi Kamal, Massoud Pedram2026-04-28