27461 ورقة بحثية
تقدم هذه الورقة البحثية "N-rep"، وهي طريقة فعالة من حيث التكلفة لتحويل النص إلى SQL تحقق أداءً هو الأفضل في فئته على معيار BIRD بتكلفة تبلغ 0.039 دولار فقط لكل استعلام، وذلك عبر الاستفادة من تمثيلات متعددة للمخططات لضمان المتانة دون الاعتماد على استدلال "سلسلة الأفكار" المكلف أو الضبط الدقيق.
تقدم هذه الدراسة WISCA، وهو إطار عمل جديد قائم على الإجماع يعمل على توحيد تفسيرات القابلية للتفسير المتضاربة لمجموعات البيانات الجدولية من خلال دمج احتمالات الفئات وقيم العزو المعيرة، مما يؤدي إلى تحسين موثوقية التفسيرات عبر نماذج تعلم آلي متنوعة.
تقدم هذه الورقة "حسابات حالة النموذج" (Model State Arithmetic - MSA)، وهي خوارزمية مبتكرة تستفيد من نقاط تفتيش النماذج السابقة لنسيان بيانات محددة من النماذج اللغوية الكبيرة بكفاءة وفعالية، متفوقة بذلك على الأساليب الحالية مع تجنب التكاليف الباهظة لإعادة التدريب الكامل.
تقترح هذه الورقة بروتوكول تقييم غير متصل (offline) مبتكر لقياس الاستقرار والمرونة في أنظمة التوصية، مما يتيح فهماً أعمق لكيفية احتفاظ النماذج بالأنماط الماضية مقابل تكيفها مع البيانات الجديدة بمرور الوقت، مع الكشف عن مقايضة محتملة بين هاتين الخاصيتين عبر الخوارزميات المختلفة.
تقدم الورقة البحثية نموذج HANNA، وهو نموذج تعلم آلي متسق ديناميكيًا حراريًا يدمج القوانين الفيزيائية كقيود صارمة ويستخدم طريقة الإسقاط الهندسي للتنبؤ بدقة بطاقة جيبس الحرة الزائدة للمزيج السائل متعدد المكونات مباشرة من البنى الجزيئية، متفوقًا بذلك على المعايير المرجعية الأحدث في كل من الدقة ونطاق التطبيق.
تُثبت هذه الورقة أن الشبكات العصبية البيولوجية يمكنها تحسين دالات الخسارة بفعالية باستخدام ديناميكيات تعلم "دوارة" (curl) غير تدرجية ناشئة عن قواعد لدونة متنوعة، والتي يمكنها إما زعزعة استقرار التعلم أو، على نحو غير متوقع، تسريعه من خلال تمكين الهروب من النقاط السرجية، مما يتحدى ضرورة الاعتماد الصرف على التدرج النزولي في التعلم العصبي.
تقدم الورقة البحثية CHUCKLE، وهو إطار عمل للتعلم المنهجي القائم على الإدراك يستفيد من اتفاق الملحظين البشريين لتحديد صعوبة العينات، مما يؤدي إلى تحسين كفاءة تدريب نماذج التعرف على العواطف ومتانتها وأدائها مقارنة بالنماذج المرجعية غير المنهجية.
تقدم هذه الورقة البحثية طريقة STEER، وهي طريقة مبدئية لتعديل الإنتروبيا في التعلم المعزز بالمكافآت القابلة للتحقق (RLVR)، تعالج انهيار الإنتروبيا من خلال اشتقاق إطار نظري لتغيرات إنتروبيا مستوى الرمز (token) وإعادة وزن الرموز بشكل تكيفي للتفوق على التدخلات الاستدلالية الحالية عبر اختبارات معايير الرياضيات والبرمجة.
تقدم هذه الورقة GISP، وهي طريقة تقليم هيكلي تكراري عالمية تجمع درجات الأهمية القائمة على الخسارة من الدرجة الأولى لتجميع رؤوس الانتباه وقنوات MLP بكفاءة، مما يتفوق بذلك على النماذج المحلية التقليدية عبر تثبيت الدقة عند مستويات التشتت العالية وتمكين التحسين الخاص بمهمة معينة دون الحاجة إلى ضبط دقيق وسيط.
تقترح هذه الورقة إطار عمل للتكرار القيمي بالتربيع الأدنى المتفائل والمدرك للتماثل، والذي يستفيد من تماثلات المجموعات المعروفة عبر النوى الثابتة لإثبات مكاسب كبيرة في كفاءة العينات في التعلم التعزيزي، وذلك نظرياً وتجريبياً.