25615 ورقة بحثية
تقدم هذه الورقة بحثاً حول مخزن مؤقت ذاتي الانحدار سببي يتيح أخذ عينات التوزيع المشترك بكفاءة لنماذج المحولات القائمة على المجموعات من خلال تخزين السياق وتحديث التنبؤات بشكل تدريجي، محققاً سرعة استنتاج تصل إلى 20 ضعفاً واستهلاكاً أقل للذاكرة بمقدار 7 أضعاف دون التضحية بالدقة.
تقترح هذه الورقة "درجة التعلم المتقاطع" (CLS)، وهي مقياس قوي يحدد تشابه مجموعات البيانات من خلال قياس أداء التعميم ثنائي الاتجاه وربطه بالمحاذاة الهندسية لحدود القرار، مما يتيح تقييماً فعالاً للنقل وتصنيفاً لمجموعات البيانات المصدرية لكل من النماذج الخطية وبنيات التعلم العميق.
يقدم PriorGuide تقنية للتكيف في وقت الاختبار للاستدلال القائم على المحاكاة الموزعة المعتمد على الانتشار، والتي تتيح محاذاة مرنة للنماذج سابقة التدريب مع توزيعات مسبقة جديدة باستخدام تقريب توجيهي مبتكر، مما يلغي الحاجة إلى إعادة التدريب المكلفة مع دمج المعرفة الخبيرة المحدثة.
تقدم هذه الورقة شبكة "Conditional Diffusion U-Net with Attention" (CDUA)، وهي إطار عمل جديد للتعلم العميق يجمع بين هندسة الميزات والنموذج التوليدي القائم على الانتشار لتحقيق تنبؤ دقيق للغاية واحتمالي لسعة بطارية الليثيوم أيون في الظروف الواقعية، متفوقة بذلك على الأساليب الحالية بمتوسط خطأ مطلق نسبي قدره 0.94%.
تقدم الورقة البحثية "Hydra Ensembles"، وهي طريقة فعالة تعتمد على نماذج المحولات (transformer) تعمل على تقليم ودمج رؤوس الانتباه لإنشاء نماذج متنوعة ومدمجة تضاهي أو تتفوق على أداء "Deep Ensembles" في تقدير عدم اليقين مع الحفاظ على سرعات استدلال تقارب سرعة الشبكة المنفردة.
تقترح هذه الورقة إطار عمل للمشغل العصبي المستند إلى الفيزياء (PINO) للفيزيولوجيا الكهربائية للقلب، والذي يتغلب على قيود الحلول التقليدية والتعلم العميق القياسي من خلال تمكين التعميم غير المعتمد على الشبكة (mesh-independent)، والتعميم الصفري (zero-shot generalization)، والتنبؤات طويلة الأمد المستقرة مع تقليل أوقات المحاكاة بشكل كبير.
تقدم هذه الورقة نموذجاً بايزياً قائماً على الأحداث (BEBMS) مبدئياً لاستنتاج الأنماط الفرعية ومراحل المرض، والذي يتفوق على طريقة SuStaIn واسعة الاستخدام في التجارب الاصطناعية، ويقدم نتائج أكثر اتساقاً مع الإجماع العلمي عند تطبيقه على بيانات مرض الزهايمر من العالم الحقيقي.
تقدم هذه الورقة البحثية نموذج SAGE-32B، وهو نموذج لغوي بـ 32 مليار معلمة مبني على Qwen2.5-32B يتخصص في الاستدلال الوكيل والتخطيط بعيد المدى من خلال التقطير التكراري ونهج الاستدلال العكسي، محققاً أداءً فائقاً في اختبارات الأدوات المتعددة مقارنة بالنماذج ذات الحجم المماثل.
يقدم البحث إطار عمل PROPER، الذي يعزز المساعدة الاستباقية للذكاء الاصطناعي من خلال النمذجة الصريحة لفجوات معرفة المستخدم عبر أبعاد مهيكلة ونظام عميل مزدوج (DGA وRGA)، مما يقدم استجابات مخصصة وسياقية تتفوق بشكل كبير على النهج الحالية في التغطية، وملاءمة المبادرة، ومواءمة القصد.
تقدم هذه الورقة مسبار "توجيه الانتباه متعدد البؤر" (MFAI) للكشف عن أن إخفاقات الاستدلال متعدد القفزات في النماذج اللغوية الكبيرة مدفوعة أساساً بـ "تأثير الحلقة الأضعف"، حيث ينهار الأداء بناءً على الموضع المطلق للأدلة الأقل وضوحاً، وهو عنق زجاجة يمكن حله من خلال توجيه الانتباه المستهدف أو التفكير من "النمط الثاني" (System-2).