27306 ورقة بحثية
تقترح هذه الورقة شبكة تقدير الدعم التلافيفية المتناثرة (CSEN)، وهي نموذج تعلم عميق مدمج يقوم برسم خرائط مباشرة من قياسات الاستشعار الضغطي إلى مؤشرات دعم الإشارة المتناثرة، مما يتيح تحديد مواقع الشذوذ في الوقت الفعلي وبتكلفة منخفضة، ويعزز أداء استعادة الإشارة المتناثرة مع تقليل التعقيد الحسابي بشكل كبير.
تقترح هذه المقالة شبكة تقدير دعم تلافيفية متفرقة (CSEN) مبتكرة لتمكين الكشف الفوري والدقيق عن كوفيد-19 من صور الأشعة السينية للصدر، وذلك عبر سد الفجوة بين التمثيل المتفرق القائم على النماذج والتعلم العميق للتغلب على قيود مجموعات البيانات الصغيرة.
تقترح هذه الورقة البحثية "محول كشف دوار" (Rotated Detection Transformer) يعمل على تحسين كشف الأجسام الموجهة من خلال إدخال تكلفة قائمة على مسافة هاوسدورف (Hausdorff distance) لتحقيق مطابقة ثنائية التجزئة أكثر دقة، وطريقة تنويع استعلام تكيفية للتغلب على قيود التنويع الثابت، مما يحقق مكاسب كبيرة في الأداء عبر معايير قياسية متعددة.
تقدم هذه الورقة "إثبات التدريب" (PoT)، وهو بروتوكول يعيد توظيف موارد تعدين "إثبات العمل" المستهلكة للطاقة في تدريب نماذج تعلم آلي قابلة للتحقق، مما يثبت من خلال التحليل النظري والتنفيذ أن هذا النهج يحقق إنتاجية عالية، ومتانة، وأمنًا معززًا للشبكة مع معالجة الفجوات التقنية في التعلم اللامركزي.
تستعرض هذه الورقة المراجعية التطورات الحديثة في الذكاء الاصطنا التوليدي، لا سيما نماذج الانتشار والمحولات، عبر تطبيقات رعاية صحية متنوعة مثل التصوير الطبي، واكتشاف الأدوية، ودعم القرار السريري، مع تقييم القدرات الحالية، والقيود، واتجاهات البحث المستقبلية.
تقدم هذه الورقة البحثية AutoFLIP، وهو إطار عمل للتعلم الاتحادي يعيد صياغة عدم تجانس بيانات العميل كميزة مفيدة من خلال الاستفادة من استكشاف تضاريس الخسارة التعاوني لتوجيه التقليم التكيفي، مما يقلل بشكل كبير من الأعباء الحسابية وأعباء الاتصال مع الحفاظ على دقة تضاهي أحدث المعايير في بيئات البيانات غير المتماثلة (non-IID).
تقدم هذه الورقة إطاراً موحداً للنمذجة التوليدية للبيانات الجدولية يقدم دالة خسارة جديدة واعية بالارتباط والتوزيع لتحسين دقة البيانات، ويقترح استراتيجية تحسين الهدف التكراري عبر الاستمثال البايزي (IORBO) لضبط فائق للمعلمات الفائقة، ويتحقق من هذه التحسينات من خلال اختبارات مرجعية شاملة عبر عشرين مجموعة بيانات من العالم الحقيقي.
تُظهر هذه الدراسة أن نماذج تعلم الآلة يمكنها التنبؤ بدقة باحتمالية مرور الخطأ في شبكات الطاقة التي تهيمن عليها العواكس باستخدام مجموعة بيانات اصطناعية، وتعميم هذه التنبؤات بنجاح على نظام الاختبار IEEE-96، مما يوفر بديلاً فعالاً من الناحية الحسابية للمحاكاة الديناميكية التقليدية لتقييم المخاطر.
تقدم هذه المساهمة شبكات ديراك-بيانكوني العصبية الرسومية (DBGNNs)، وهي بنية مبتكرة قائمة على معادلة ديراك الطوبولوجية تتيح انتشاراً متماسكاً بعيد المدى وتتفوق على نماذج تمرير الرسائل الانتشارية التقليدية في التنبؤ باستقرار الشبكات الكهربائية وكذلك خصائص الببتيد.
تقدم هذه الورقة GraphLand، وهو معيار مرجعي شامل يتكون من 14 مجموعة بيانات رسومية صناعية متنوعة صُممت لمعالجة النطاق الضيق للتقييمات الحالية من خلال الكشف عن أن النماذج التأسيسية الرسومية الحالية لا تقدم أداءً كافياً مقارنة بأشجار القرار المعززة بالتدرج (GBDT) المدعومة بالسمات الرسومية.