26236 ورقة بحثية
تقدم الورقة البحثية إطار عمل MAGIC، وهو إطار لتعلم تعزيزي متعدد الوكلاء يعزز التنسيق عبر قياس التأثيرات السببية طويلة المدى من خلال التدخل السببي والمعلومات المتبادلة الشرطية، ثم تحويل هذه التأثيرات إلى مكافآت ذاتية عبر آلية بوابية قائمة على الميزة للتفوق على الأساليب الرائدة في المعايير القياسية.
تقدم هذه الورقة البحثية MolJSON، وهو تمثيل جزيئي مبتكر يتفوق بشكل منهجي على التنسيقات التقليدية مثل SMIS وأسماء IUPAC عبر مختلف مهام الاستدلال عند استخدامه مع النماذج اللغوية الكبيرة، مما يثبت أن مخططات الرسوم البيانية الجزيئية الصريحة تعزز بشكل كبير أداء النماذج اللغوية الكبيرة في الكيمياء.
تقدم هذه الورقة البحثية "التدفق الطبيعي المتفرع" (Branched Normalizing Flow - BNF)، وهو منهج مبتكر يستفيد من النقل العكسي لتقييد وتخفيف أخطاء التغطية الشرطية في التنبؤ المطابق تحت تأثير انزياح التوزيع، مما يؤدي إلى تحسين المتانة بشكل كبير عبر مجموعات البيانات المتنوعة.
تقترح هذه الورقة مُقدِّراً متعامدًا مدمجًا تكيُّفيًا يستفيد من تعامد نيمان وعقوبات الدمج القائمة على البيانات لتحقيق استرداد دقيق للمجموعات الكامنة والتقارب البارامتري الكفء لـ "أوراكل" في التعلم متعدد المهام العنقودي غير المتجانس شبه البارامتري، مما يعالج بفعالية التحديات التي تفرضها المكونات المزعجة ذات الأبعاد اللانهائية.
تقترح هذه الورقة إطار عمل للتعلم العميق يستخدم الشبكات العصبية التلافيفية (CNN) ونماذج الذاكرة الطويلة قصيرة المدى (LSTM) للتنبؤ بتدهور الرصف من خلال دمج 21 مؤشرًا للخلل و18 عامًا من تاريخ الصيانة لأكثر من 100,000 مقطع طريق في تكساس، مما يثبت أن نهج الشبكات العصبية التلافيفية يتفوق على نماذج التعلم الآلي القياسية من حيث الدقة.
تقترح هذه الورقة طريقة استرجاع مبتكرة تستفيد من كشف الأنماط الشاذة لتحديد واسترجاع ناقلات قواعد البيانات التي تشترك في أبعاد بارزة مع مجموعة من ناقلات الاستعلام المتعددة، مما يثبت أن استخدام مجموعات استعلام أكبر يحسن عمومًا أداء الاسترجاع عبر مختلف أنماط البيانات.
تقدم هذه الورقة MER-DG، وهي طريقة غير مرتبطة بهيكلية معينة تستخدم تنظيم اعتلاج النمط (modality-entropy regularization) لمنع "الفرط في التخصيص للدمج" (fusion overfitting) الناتج عن الاعتماد على التلازمات عبر الوسائط الخاصة بالمصدر، مما يحسن بشكل كبير أداء تعميم النطاق متعدد الوسائط على معايير مثل EPIC-Kitchens وHAC.
تضع هذه الورقة أول إطار نظري صارم للخصوصية التفاضلية في الشبكات العصبية التلافيفية الرسومية من خلال اشتقاق حدود معدل خطأ التصنيف وتوصيف المقايضة بين الخصوصية والمنفعة من منظور استقرار أخذ العينات الفرعية.
تتناول هذه المساهمة المقايضة بين الضغط وزمن الاستجابة في نقل النصوص في الوقت الفعلي عبر ترميز الإنتروبيا القائم على النماذج اللغوية الكبيرة عبر قنوات ذات معدل ثابت، وتُظهر أنه بينما يُعد ترميز هوفمان أمثلاً للقنوات ذات السعة الزائدة مع زمن استجابة خوارزمي صفري، فإن النماذج اللغوية الأكبر تقلل معدلات البت بشكل كبير، مما يغير اختيار المرمز الأمثل، مع التحقق من النتائج عبر نطاق بارامتري يبلغ 25 ضعفاً من GPT-2 إلى Llama 3.2.
تقوم هذه الورقة البحثية بقياس أداء التضمينات اللاسلكية عالية الأبعاد مقابل التمثيلات القائمة على المشفرات التلقائية المضغوطة والبيانات الخام، كاشفةً أنه في حين توفر النماذج عالية الأبعاد مزايا التعلم من عينات قليلة، فإن التضمينات المضغوطة توفر متانة فائقة ضد الضجيج وتكاليف حوسبة ونقل أقل بكثير عبر مختلف المهام اللاحقة.