26003 ورقة بحثية
تقدم هذه الورقة ChipLingo، وهو إطار عمل تدريبي منهجي ثلاثي المراحل يعمل على بناء مجموعات بيانات متخصصة في المجال، وتحسين استراتيجيات ما قبل التدريب، ومواءمة ضبط التعليمات مع سيناريوهات التوليد المعزز بالاسترداد (RAG) لتعزيز أداء النماذج اللغوية الكبيرة بشكل كبير في مجال أتمتة التصميم الإلكتروني (EDA) كثيف المعرفة.
تقدم هذه الورقة البحثية إطار العمل ABC، وهو إطار عمل مبتكر يستفيد من جسور الانتشار غير الماركوفية والمعادلات التفاضلية العشوائية المستمرة في الزمن لتوليد عمليات عشوائية مشروطة بمجموعات فرعية تعسفية من الملاحظات، وبالتالي التغلب على القيود الهيكلية والديناميكية لنماذج الانتشار الحالية في مهام مثل توليد الفيديو والتنبؤ بالطقس.
تقترح الورقة البحثية إطار عمل IMPRESS، وهو إطار عمل جديد للتعلم القليل من الأمثلة على الرسوم البيانية (graph few-shot learning) يستفيد من الفضاء الزائدي (hyperbolic space) لالتقاط الهياكل الهرمية ومن الانتشار لإزالة الضجيج (denoising diffusion) لإثراء توزيعات الدعم، مما يحقق حدود تعميم أكثر إحكاماً وأداءً فائقاً على مجموعات البيانات المرجعية.
إن PRTS هو نموذج تأسيسي للرؤية واللغة والعمل يعيد صياغة ما قبل التدريب كتعلم تعزيزي مشروط بالهدف باستخدام تمثيلات تباينية لتعلم الوعي الذاتي بالوصول إلى الأهداف من المسارات غير المتصلة، مما يحسن بشكل كبير الأداء الروبوتي في المهام طويلة الأمد، والغنية بالتلامس، والمهام الصفرية مقارنة بنسخ السلوك التقليدي.
تقترح هذه الورقة إطار عمل للشبكات المعرفة برمجياً هرمي وقابل للتوسع لكوكبات الأقمار الاصطناعية ذات المدار الأرضي المنخفض، يستفيد من مشفر تلقائي "كوبمان" رسومي لضغط الطبوغرافيا والتنبؤ بالديناميكيات، محققاً تحسينات كبيرة في الضغط المكاني والتنبؤ الزمني مقارنة بالنماذج المرجعية الحالية.
تُثبت هذه الورقة أن الاضطرابات العدائية تمتلك بنية ذات رتبة منخفضة متأصلة، وتستغل هذه الخاصية لتطوير طريقة هجوم "الصندوق الأسود" أكثر كفاءة وفعالية من خلال حصر البحث عن الاضطراب في فضاء فرعي منخفض الأبعاد.
تقترح الورقة البحثية إطار عمل FMCL، وهو إطار لتجميع العملاء القائم على الوعي بالفئات بلمحة واحدة، والذي يستفيد من تمثيلات النماذج التأسيسية المجمدة لبناء تواقيع دلالية للعملاء، مما يؤدي إلى تحسين أداء واستقرار التعلم الاتحادي في ظل عدم التجانس الإحصائي دون الحاجة إلى تنسيق تكراري أو عبء اتصالات إضافي.
تقدم الورقة البحثية GoalCover، وهو إطار عمل يُمكّن الممارسين من تحديد فجوات القدرات في مجموعات بيانات الضبط الدقيق بشكل منهجي من خلال تفكيك الأهداف التفاعلي وتقييم التغطية الآلي، مما يؤدي إلى تحسين أداء النموذج في المهام اللاحقة عبر تصفية البيانات وتوليد عينات اصطناعية مستهدفة.
تقترح هذه الورقة خوارزمية تعلم شبه مُشرف عبر الإنترنت وفي الوقت الفعلي، تقوم بتحديث تمثيل عالمي رسومي بشكل تكراري باستخدام مجموعة صغيرة من الأمثلة المُصنفة مسبقاً وتدفق مستمر من البيانات غير المُصنفة، محققةً أداءً فائقاً في التعرف على الوجوه في مجموعات بيانات الفيديو دون الحاجة إلى تغذية راجعة صريحة.
تقترح هذه الورقة إطاراً بايزياً لخوارزميات تدرج السياسة والفاعل-الناقد، يقوم بنمذجة التدرجات ودوال قيمة الفعل باستخدام العمليات الغاوسية لتقليل تعقيد العينات، وتوفير تقديرات لعدم اليقين، وتحقيق تحديثات خلفية ذات صيغة مغلقة، مما يؤدي إلى التفوق على طرق مونت كارلو التقليدية في مهام مختلفة من التعلم المعزز.