27306 ورقة بحثية
تقترح الورقة البحثية نموذج GRIFDIR، وهو بنية نموذج انتشار مبتكرة غير متأثرة بالدقة، تستفيد من دالات العناصر المحدودة لتمكين أخذ عينات عالية الدقة ومستقلة عن الدقة للبيانات ذات القيم الدالية على نطاقات معقدة وغير منتظمة حيث تعاني الطرق الحالية.
تقترح هذه الورقة إجراءً لأخذ العينات الهرمية للتعلم الاتحادي يشتق حدود التعميم عبر مسافة واسرستاينين (Wasserstein distance) وبناء العينة الفائقة، مما يثبت أن هذه الحدود تتحسن بشكل صارم عن النتائج الحالية المتعلقة بالمعلومات المتبادلة الشرطية وتلتقط بدقة معدلات الخطأ التقاربية في النماذج الغاوسية.
تقترح هذه المقالة إطاراً نظرياً موحداً يسمى مطابقة التوزيع الكامن (LDM) للتعلم الخاضع للإشراف الذاتي، والذي يفسر الأساليب الحالية من خلال هدفي المحاذاة والانتظام المزدوجين، ويثبت قابلية تحديد التمثيلات الكامنة، ويُمكّن من اشتقاق نماذج مرشح بايزي جديدة خالية من العينات للسلاسل الزمنية عالية الأبعاد.
تقترح هذه الورقة البحثية شبكة عصبية عميقة ذات آلية تجميع لاستخراج المعلومات بفعالية من الملاحظات الطبية غير المنظمة والفوضوية، مما يثبت أن هذا النهج يتفوق بشكل كبير على نماذج تعلم الآلة التقليدية في التنبؤ بمعدلات الوفيات بعد الخروج من المستشفى عبر أطر زمنية متعددة.
تقدم هذه الورقة البحثية HeadQ، وهي طريقة لتكميم ذاكرة التخزين المؤقت لـ KV (KV-cache) تعمل على نقل هدف التحسين من إعادة بناء مساحة التخزين الخام إلى التشوه المرئي للنموذج في فضاءات الدرجات (scores) والقيم (values)، مما يقلل بشكل كبير من الارتباك (perplexity) عبر تصحيح لوجيتات المفاتيح (key logits) بواسطة قواعد استعلام متعلمة وتقليل تشوه القيم من خلال بدائل مرجحة بالانتباه.
تقدم هذه الورقة نماذج انتشار شرويدنجر العشوائية (SSDMs)، وهو إطار توليدي قائم على الدرجة (score-based) جوهري في الفضاء الإسقاطي المركب يستخدم معادلة شرويدنجر عشوائية وهدف تدريب زمن محلي لعيننة مجموعات الحالات النقية الكمومية بفعالية، مما يعزز تعميم تعلم الآلة الكمومي من خلال تعزيز البيانات على مستوى التمثيل.
تقدم هذه الورقة البحثية Workspace-Bench، وهو معيار قياسي واسع النطاق يتميز بتبعيات ملفات واقعية ومهام متنوعة لتقييم قدرات تعلم مساحة العمل لدى الوكلاء الاصطناعيين، مما يكشف أن النماذج الحالية تتخلف بشكل كبير عن الأداء البشري في التعامل مع الاستنتاج واتخاذ القرار المعقد عبر الملفات.
تثبت هذه الورقة أن شبكات ReLU العميقة التي يبلغ عرض مدخلاتها وطبقاتها الخفية اثنين على الأقل تمتلك مجموعة مفتوحة من المعلمات القابلة للتمييز، مما يكشف أن بعدها الوظيفي يساوي عدد المعلمات ناقص عدد الخلايا العصبية الخفية، كما تُظهر أيضاً تسلسلاً هرمياً عاماً للعمق حيث لا تستطيع الشبكات الأقل عمقاً تمثيل هذه الدوال.
تقدم هذه الورقة طريقة تسمى التوجيه التقاربي-التباعدي (Convergent-Divergent Routing) مقترنة بمعايرة اللوجيت المزدوجة (Dual Logit Calibration) لتحقيق تحكم دقيق وقابل للتفسير في الاستدلال الأخلاقي للنماذج اللغوية الكبيرة عبر توجيهها نحو أطر أخلاقية محددة مثل النفعية أو الواجبية مع الحفاظ على قدراتها العامة.
تُثبت هذه الورقة أن الاستفادة من التماثلات الذاتية للشيفرة (code automorphisms) لتعزيز البيانات أثناء التدريب والاستدلال ترفع بشكل كبير من أداء نماذج فك التشفير العصبية القائمة على المتلازمة (syndrome-based)، مما يمكنها من الاقتراب بشدة من فك التشفير بالاحتمال الأقصى (maximum likelihood decoding) للشيفرات القصيرة وعالية المعدل حتى مع وجود مجموعات بيانات محدودة.