cs.LG ورقة بحثية

PRTS: A Primitive Reasoning and Tasking System via Contrastive Representations

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.

Yang Zhang, Jiangyuan Zhao, Chenyou Fan, Fangzheng Yan, Tian Li, Haitong Tang, Sen Fu, Xuan'er Wu, Qizhen Weng, Weinan Z (…)2026-05-01

🤖 machine learning

Toward Scalable SDN for LEO Mega-Constellations: A Graph Learning Approach

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.

Sivaram Krishnan, Bassel Al Homssi, Zhouyou Gu, Jihong Park, Sung-Min Oh, Jinho Choi2026-05-01

🤖 machine learning

Low Rank Adaptation for Adversarial Perturbation

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.

Han Liu, Shanghao Shi, Yevgeniy Vorobeychik, Chongjie Zhang, Ning Zhang2026-05-01

🤖 machine learning

FMCL: Class-Aware Client Clustering with Foundation Model Representations for Heterogeneous Federated Learning

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.

Mahad Ali, Laura J. Brattain2026-05-01

🤖 machine learning

Diagnosing Capability Gaps in Fine-Tuning Data

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.

Saeid Asgari Taghanaki, Rakshanda Agarwal, Bruce Sun, Rohan Jha, Elias Stengel-Eskin, Sara Malvar, Rui Ying, Yifei Xu, G (…)2026-05-01

🤖 machine learning

Online semi-supervised perception: Real-time learning without explicit feedback

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.

Branislav Kveton, Michal Valko, Matthai Phillipose, Ling Huang2026-05-01

🤖 machine learning

Bayesian policy gradient and actor-critic algorithms

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.

Mohammad Ghavamzadeh, Yaakov Engel, Michal Valko2026-05-01

🤖 machine learning

Learning from a single labeled face and a stream of unlabeled data

تتناول هذه الورقة تحدي التعرف على الوجه من فئة واحدة باستخدام صورة واحدة مصنفة، وذلك عبر اقتراح خوارزمية غير معلمية تستفيد من تدفق بيانات وفيرة غير مصنفة لتحقيق استدعاء أعلى بكثير مع حالات إيجابية كاذبة تقترب من الصفر مقارنة بالنماذج المرجعية الحالية.

Branislav Kveton, Michal Valko2026-05-01

🤖 AI

Trace-Level Analysis of Information Contamination in Multi-Agent Systems

تستقصي هذه الورقة كيف يؤدي تلوث المعلومات الناجم عن عدم اليقين في سير عمل الوكلاء المتعددين إلى مسارات تنفيذ متنوعة وإخفاقات في المخرجات، مقترحةً إطار قياس قائمًا على التتبع وتصنيفًا رسميًا لتحسين كشف هذه المخاطر وتحديد مواقعها والتخفيف من حدتها عبر مهام الاستدلال للقطع الأثرية غير المتجانسة.

Anna Mazhar, Huzaifa Suri, Sainyam Galhotra2026-05-01

🤖 machine learning

Privacy-Preserving Federated Learning via Differential Privacy and Homomorphic Encryption for Cardiovascular Disease Risk Modeling

تقيم هذه الدراسة بشكل منهجي دمج الخصوصية التفاضلية والتشفير المتماثل ضمن التعلم الاتحادي لنمذجة مخاطر أمراض القلب والأوعية الدموية باستخدام بيانات الرعاية الصحية السويدية، كاشفةً أنه في حين يحافظ التشفير المتماثل على فائدة النموذج بما يضاهي التعلم المركزي على حساب العبء الحسابي، فإن الخصوصية التفاضلية توفر تكاليف حسابية أقل ولكنها تضعف الأداء بشكل كبير في نماذج الانحدار اللوجستي مقارنة بالشبكات العصبية.

Gaurang Sharma, Juha Pajula, Aada Illikainen, Markus Rautell, Noora Lipsonen, Petri Alhainen, Mika Hilvo2026-05-01

→ السابق التالي ←