27306 ورقة بحثية
تقترح هذه الورقة إطار عمل لنموذج انحدار متجه الدعم التلاففي الرسومي (GCSVR) يدمج التعلم المكاني القائم على الرسوم البيانية مع الانحدار الزمني المتين للتنبؤ بدقة بتلوث الهواء في دلهي ومومباي، مع التعامل بفعالية مع القيم المتطرفة وتوفير تقديرات معايرة لعدم اليقين.
تُظهر هذه الورقة أن تقديرات كثافة الاحتمالية من نموذج محاكي المناخ القائم على الانتشار cBottle يمكن استخدامها لحساب احتمالات الأحداث المتطرفة مثل الأعاصير المدارية تحت التوجيه، مما يتيح أخذ العينات بالأهمية لتقليل خطأ التقدير وتسهيل تجارب عزو الأحداث المتطرفة.
تقدم هذه الورقة نماذج Agentic-imodels، وهو إطار عمل للبحث الذاتي يعمل على تطوير نماذج انحدار متوافقة مع scikit-learn ومُحسّنة من حيث دقة التنبؤ وقابلية التفسير الموجهة للوكلاء، مما يثبت أن النماذج المصممة لتكون "قابلة للمحاكاة" من قبل النماذج اللغوية الكبيرة تعزز بشكل كبير أداء علوم البيانات الوكيلية في المهام اللاحقة.
تحل هذه الورقة مشكلة مفتوحة في نظرية التعلم من خلال إرساء شروط ضرورية وكافية لاتساق بايز القوي الشامل في الإطار الواقعي مع خسائر مترية عامة، وتوصيف فئة الفرضيات عبر غياب شجرة ليتلستون غير متزايدة لانهائية.
تقدم هذه الورقة معياراً للتعلم المستمر لزيادة النطاق لنماذج السلاسل الزمنية في وحدات العناية المركزة، والذي يعالج تحدي نقل أنظمة التنبؤ بالنتائج السريرية عبر مناطق أمريكية متنوعة من خلال تقييم أساليب مثل إعادة تشغيل البيانات وتثبيت الوزن المرن لإدارة تحولات التوزيع مع الاحتفاظ بالمعرفة السابقة.
تقدم هذه المقالة خوارزميات عشوائية وحتمية فعالة لتقريب وحساب، على التوالي، مسافة التباين الكلي بين مخاليط التوزيعات المنتجة والمكعبات البولينية الفرعية، مع إثبات صعوبة الحساب الدقيق من فئة #P عندما يتوسع عدد مكونات الخليط خطياً مع البعد.
تقترح هذه الورقة طريقة تعلم مستمر فعالة في استهلاك الذاكرة ومتينة توزيعياً، تقوم بإعادة وزن الخسائر ديناميكياً لكل فئة لتمكين نماذج CLIP من التكيف مع المهام الجديدة مع تقليل النسيان الكارثي، حتى مع وجود مخازن ذاكرة ضئيلة.
تُثبت هذه الورقة أن المحسنات التكيفية من الدرجة الصفرية القياسية مثل ZO-Adam لا تقدم أي ميزة تقارب مقارنة بـ ZO-SGD في عمليات الضبط الدقيق للنماذج اللغوية الكبيرة (LLM) ذات الذاكرة المحدودة بسبب غياب عدم التجانس في تدرج الإحداثيات في الأبعاد العالية، مما أدى إلى اقتراح MEAZO، وهو بديل فعال من حيث استهلاك الذاكرة يتتبع فقط قيمة عددية واحدة لتكيف حجم الخطوة العالمي مع مطابقة الأداء وتحسين المتانة.
تُثبت هذه الورقة أن استبدال الالتفافات أحادية الأبعاد المستقلة بالتفافات زمانية-مكانية ثنائية الأبعاد في الشبكات العصبية الالتفافية الضحلة يُسرّع بشكل كبير من عمليات التدريب والاستنتاج لمهام تصنيف تخطيط كهربية الدماغ (EEG) عالية الأبعاد مع الحفاظ على الأداء، على الرغم من الكشف عن هندسات تمثيل داخلية متميزة.
تقدم هذه الورقة مساراً معالجاتياً قابلاً للتكرار ومدركاً للعمليات يتيح المراقبة التنبؤية المستمرة للمسارات السريرية من خلال التحسين التدريجي لتقديرات المخاطر من المسارات المتطورة للمرضى، مما يثبت أن الأداء التنبؤي يتحسن بشكل ملحوظ مع توفر المزيد من الأحداث السريرية.