22512 ورقة بحثية
تقدم هذه الورقة بروتوكول المداولة على الفرضيات المتنوعة (DHD) لإثبات أن الرسائل غير الصحيحة في أنظمة الاستنتاج متعددة الوكلاء غالباً ما تمتلك "قيمة مسار" كبيرة من خلال مساعدة الحلّالين اللاحقين، مما يثبت أن صحة الإجابة وحدها معيار غير كافٍ لتصفية اتصالات الوكلاء.
تثبت هذه الورقة الطبيعية التقاربية وصلاحية البوتستراب لمقدرات متوسط بولياك-روبيرت في التعلم التمايزي الزمني التوزيعي عبر الإنترنت، مما يتيح الاستدلال الإحصائي لكل من الدوال الوظيفية الناعمة وغير الناعمة لتوزيع العائد من مسار ماركوف واحد.
تكشف هذه الورقة أنه بينما تزيد عملية أخذ عينات القدرة (Power Sampling) من كتلة الاحتمالية لمسارات الاستدلال الصحيحة، إلا أنها تؤدي للمفارقة إلى تدهور دقة الاستدلال اللاحقة بسبب عدم تطابق الجرعة والتغطية، وهي مشكلة يعالجها المؤلفون عبر تقديم متغير متحكم في التشويه ومحافظ على الدعم يتفوق على طرق أخذ العينات المتعددة القياسية.
تجادل هذه الورقة بأن التقييمات القياسية لتصنيف الأسلوب في التمثيلات البصرية المجمدة تكون متضخمة بفعل التعرف على الفنان بدلاً من الفهم الأسلوبي الحقيقي، مما يثبت أن بروتوكولاً منفصلاً للفنانين يكشف عن انخفاضات كبيرة في الأداء وعدم اتساق في المتانة عبر الحركات الفنية.
تقدم هذه الورقة البحثية sMuon، وهي طريقة فعالة تقرب مُحسّن Muon لضبط المعلمات بكفاءة منخفضة الرتبة عبر خطية الهدف وحله عن طريق المربعات الصغرى، مما يتيح فوائد أداء Muon في إعدادات مثل الضبط الدقيق الموجه (SFT) والتدريب المسبق باستخدام ReLoRA حيث كان غير متوافق سابقاً مع LoRA.
تقترح هذه الورقة إطار عمل مكون من مرحلتين يقوم بتحويل الجداول الخام غير المتجانسة إلى تمثيلات إحصائية معيارية، ويستخدم محول الانتشار (diffusion transformer) لتوليد جداول إحصائية اصطناعية، والتي يتم بعد ذلك إعادة بنائها إلى جداول خام اصطناعية واقعية للتغلب على قيود الطرق الحالية في توليد البيانات عبر الجداول.
تقدم الورقة البحثية RecipeNet، وهي بنية Transformer هرمية مصممة لنمذجة الطبيعة الهيكلية متعددة الخطوات لبيانات الوصفات بفعالية من خلال التقاط التفاعلات على مستوى الحقول والارتباطات التسلسلية، مما يؤدي إلى تفوقها على النماذج الجدولية الحالية عبر مختلف المجالات والمهام.
تقدم هذه الورقة "إطار عمل مساعد" مرن يوحد تحليل طرق نيوتن التكعيبية العشوائية والمخفضة للتباين لتقليل الدوال غير المحدبة، مما يحقق ضمانات تعقيد مثالية تحت افتراضات الضجيج الضعيفة ويمكّن من التحسين الفعال واسع النطاق من خلال تحديثات هسيان مؤجلة والتعلم المساعد.
تقدم هذه الورقة البحثية "التعلم بالتقطير المستمر المنفصل" (D-CDL)، وهو إطار عمل مبتكر للتعلم المتزايد للفئات بدون استرجاع، يعمل على تحسين نقل المعرفة من نماذج "Vision Transformers" الأكبر إلى الأصغر عبر فصل التكيف الخاص بالمهمة عن التقطير صراحةً من خلال مطالبات تقطير المعرفة العالمية والمستمرة.
تنتقد هذه الورقة فرضية "تعلم الآلة السببي" من خلال تطبيق فلسفة اللغة العادية للمرافعة بأن السببية الحقيقية هي في جوهرها ميكانيكية، مؤكدة أن الادعاءات السببية الحاسمة لا تكون صالحة إلا في المجالات ذات النماذج الميكانيكية الكاملة (مثل الفيزياء) وتتطلب أدلة متراكمة عبر التخصصات للأنظمة المعقدة (مثل البيولوجيا والعلوم الاجتماعية)، مما يحث على توخي مزيد من الحذر ضد المبالغة في اليقين السببي في البحث العلمي.