27306 ورقة بحثية
تتناول هذه الورقة الصعوبة المتأصلة في اختبار العينات الثنائية الشرطي من خلال إرساء حد أساسي واقتراح إطارين عامين — أحدهما يحول اختبارات الاستقلال الشرطي والآخر يستفيد من تقدير نسبة الكثافة — لتمكين مقارنات صالحة وقوية للتوزيعات مع التحكم في العوامل المربكة.
تقترح هذه المساهمة استخدام التحسين البايزي المقيد للضبط التلقائي للمعلمات الفائقة في التحكم التنبئي بالنماذج لإدارة أحمال المباني، مما يظهر تخفيضات كبيرة في تكاليف الكهرباء مقارنة بالمتحكمات القائمة على القواعد والمتحكمات المضبوطة يدويًا، مع تسليط الضوء في الوقت ذاته على الفوائد المالية للاختيار الأمثل للبرامج.
تحدد هذه الورقة المنظورية أربع ثغرات حرجة — تسريب البيانات السرية، واستغلال الراكب المجاني، وتعطيل النظام، وانتشار المعلومات المضللة — في النماذج اللغوية الكبيرة العسكرية الاتحادية التي تواجه هجمات حقن الأوامر، وتقترح إطار عمل تعاوني بين الإنسان والذكاء الاصطناعي يجمع بين فرق الهجوم والدفاع التقنية (Red/Blue Teaming) مع تطوير السياسات المشتركة للتخفيف من هذه المخاطر.
تقدم هذه الورقة خوارزميات تعلم مبتكرة لألعاب ستيكلبرج عبر الإنترنت مع معلومات جانبية تحقق ندمًا شبه أمثل بمعدل في ظل تغذية راجعة من نوع "بانديت" (bandit feedback) عن طريق اختزال المشكلة إلى مسألة "بانديت سياقي خطي"، مما يحسن عن معدلات السابقة ويثبت الفعالية في تطبيقات مثل المزايدة في المزادات والإقناع البايزي.
تقدم هذه المساهمة iR2D2، وهو إطار عمل للتعلم العميق قابل للتوسع يوسع نموذج R2D2 ببنية متداخلة للقيام بشكل مشترك بالمعايرة الذاتية لخرائط الحساسية وإعادة بناء الصور عالية الدقة لتسريع التصوير بالرنين المغناطيسي غير الكارتيزي مع التغلب على قيود التدريب للشبكات التقليدية غير المطوية.
إنّ EntroLLM هو إطار عمل لضغط ما بعد التدريب يجمع بين التكميم المختلط وتشفير الإنتروبيا لتقليل متطلبات التخزين بشكل كبير وتسريع الاستدلال للنماذج اللغوية الكبيرة على الأجهزة الطرفية دون الحاجة لإعادة التدريب.
تُظهر هذه الورقة أن تكييف دالات الخسارة من خلال قواعد التسجيل الموزونة وتنظيم عدم المعايرة في الذيول يمكن أن يحسن معايرة التوقعات الاحتمالية للأحداث المتطرفة، مثل سرعات الرياح في المملكة المتحدة، رغم أن هذا التحسين يؤدي إلى مقايضة مع معايرة النتائج الأكثر شيوعاً.
تقدم الورقة البحثية "المفكك التوليدي الريماني" (Riemannian generative decoder)، وهو إطار عمل خالٍ من المشفر، يتعلم المتغيرات الكامنة ذات القيم المانيفولدية (manifold-valued latents) عبر التحسين المشترك لمفكك مع مُحسّن ريماني، مما يتجنب تقدير الكثافة الهش عددياً بينما يلتقط بفعالية البنى غير الإقليدية الجوهرية للبيانات عبر تطبيقات متنوعة.
تقدم هذه الورقة البحثية GNN-Ceff، وهي أول طريقة تعتمد على الشبكات العصبية الرسومية لنمذجة السعة الفعالة لما بعد التخطيط، والتي تتفوق بشكل كبير على الأساليب الاستدلالية الحالية من حيث الدقة والسرعة عبر الاستفادة من التوازي في وحدات معالجة الرسومات لتحقيق تسريع قدره 929 ضعفاً.
تقترح هذه الورقة إطار عمل للتعلم الفائق القائم على التعديل لاكتشاف ديناميكيات محافظة على البنية، مما يتيح تكيفاً دقيقاً ببيانات قليلة وتعميماً قوياً عبر متغيرات الأنظمة المختلفة دون الحاجة إلى توصيف صريح للمعلمات أو المساس بالحفاظ على الثوابت الفيزيائية الرئيسية.