22512 ورقة بحثية
تقترح هذه الورقة إطار عمل لتباعد سينكهورن المحلي (Sinkhorn divergence) يتسم بالكفاءة الحسابية والقابلية للاشتقاق لإعادة بناء التوزيعات الشرطية للحقول العشوائية متعددة الأبعاد باستخدام الشبكات العصبية العشوائية، مما يوفر توازناً قابلاً للتوسع بين الدقة الهندسية والكفاءة الإحصائية مع تقديم حدود نظرية لخطأ التعميم.
تقدم هذه الورقة MBA-Bench، وهو أول معيار تقييم متعدد الوسائط لتوليد الأفكار التجارية، وتقترح الوكيلين MBA-b وMBA-k اللذين يستفيدان من الإشارات المرئية وأهداف المكافأة المبتكرة للتفوق بشكل كبير على النماذج المرجعية الحالية المعتمدة على النصوص فقط أو متعددة الوسائط في توليد أفكار تجارية إبداعية وقابلة للتنفيذ.
تستقصي هذه الورقة البحثية فعالية تقنية "القطع السطحي الموجه بخرائط التنشيط الكلاسيكي" (CAM-guided saliency cutout) لتصنيف صور البرمجيات الخبيثة باستخدام مجموعة بيانات RawMal-TF، حيث وجدت أنه على عكس الصور الطبيعية التي يحسن فيها القطع منخفض البروز الأداء، فإن استراتيجيات القطع الموجه بالبروز تؤدي في الواقع إلى خفض الدقة بالنسبة للبرمجيات الخبيث، مما يسلط الضوء على وجود اختلافات جوهرية في النطاق بين هذين النوعين من الصور.
تقدم هذه الورقة إطار عمل قابلاً للنقل يستخدم شبكة عصبية تلافيفية واحدة مدربة عالمياً، تجمع بين بيانات الأقمار الصناعية متعددة المستشعرات ومراجع GEDI، والتي يتم تكييفها بكفاءة مع المناظر الطبيعية المحلية عبر سير عمل معايرة ميدانية خفيف الوزن لتحقيق تقدير عالي الدقة ومتصل مكانياً للكتلة الحيوية للغابات.
تُظهر هذه الورقة أن كواشف الفن المعتمدة على الذكاء الاصطناعي الحالية، رغم فعاليتها ضد المولدات التي تدربت عليها، تعاني من تدهور كبير في الأداء عند مواجهة بنيات أحدث مثل Stable Diffusion 3.5، مما يسلط الضوء على فجوة تعميم حرجة تستوجب استراتيجيات دفاع متعددة الطبقات.
تُثبت هذه الورقة أنه، بالنسبة إلى نموذج أوراكل (oracle)، توجد توزيعات تعلم يمكن توليدها بكفاءة بواسطة متعلم كمي يمتلك وصولاً إلى أمثلة كمية ولكن ليس بواسطة متعلم يقتصر على الأمثلة الكلاسيكية، مما يؤسس لفصل كمي-كلاسيكي في إطار التعلم ضمن النموذج الاحتمالي لتعلم كفاءة التغطية (PAC learning).
تقدم هذه الورقة البحثية "التحرير الذاتي بالسياسة الهجينة" (HPSE)، وهي طريقة تعزز القابلية للتركيب في تحرير المعرفة غير المهيكلة من خلال التقطير الاستباقي للمعرفة من حالة السياق المتميزة للنموذج، وحقن الحقائق المفقودة استراتيجيًا في مسار التدفق الخاص به للتغلب على قيود التعلم السلبي القائم على السياسة المتبعة.
تقدم هذه الورقة البحثية إطار عمل LEMUR، وهو إطار عمل للاستدلال لا يتطلب تدريباً، يستفيد من ديناميكيات الإنتروبيا على مستوى الرمز (token) المستحثة بواسطة التعلم المعزز (RL) للكشف عن مسارات الاستدلال الحساسة وإعادة توجيهها في نماذج الاستدلال اللغوية متعددة الوسائط عبر الحقن الكامن المرتكز بصرياً، مما يكبح تسريب الخصوصية بفعالية مع الحفاظ على فائدة النموذج.
تقدم الورقة البحثية "Consolidator"، وهو عامل مشترك خفيف الوزن يحول الذاكرة قصيرة المدى إلى ذاكرة طويلة المدى مستمرة دون إعادة تشغيل الرموز (token replay)، مما يثبت أن الدمج المتعلم مع التوجيه الهرمي يحسن بشكل كبير من استرجاع الخرائط المحدثة عبر حدود السياق مقارنة بالتراكم المتطابق.
تقدم هذه الورقة ViaMOBO، وهو إطار عمل عام للتحسين البايزي متعدد الأهداف عالي الأبعاد يستفيد من تحليل التفاعل بين المتغيرات لتفكيك فضاء القرار إلى فضاءات فرعية قابلة للفصل من أجل التحسين المحلي، مما يؤدي بالتالي إلى التفوق على الطرق الحالية في تقريب جبهات باريتو للمشكلات ذات الصندوق الأسود المكلفة.