27461 ورقة بحثية
تقترح هذه الورقة نهجاً لتعلم القاموس لنموذج تحليل الأنماط الديناميكية الممتد عبر النواة (kEDMD) يستخدم التحسين القائم على التدرج لتعلم وتقليم معلمات النواة تلقائياً من قائمة موزونة، مما يؤدي إلى تبسيط تقريب مؤثر كوپمان للأنظمة الديناميكية غير الخطية.
تقترح هذه الورقة طريقة مبتكرة لتفسير الشبكات العصبية الالتفافية في تصنيف الصور من خلال صياغة اختيار خرائط الميزات كمسألة تحسين كمي مقيدة تُحل عبر التلدين الكمي، والتي تتفوق على التقنيات الرائدة مثل GradCAM في فك تشابك الفئات والشفافية مع توفير رؤى نظرية حول السلوك الحسابي للخوارزمية.
تُظهر هذه الدراسة أن نماذج تعلم الآلة التقليدية التي تستخدم ميزات تردد المصطلح وعكس وثائقه يمكن أن تتفوق على النماذج اللغوية القائمة على المحولات والمعدلة بدقة في تحديد مواقع الأعطال الصناعية عند الاعتماد حصرياً على تقارير الأخطاء النصية من شركة "إيه بي بي روبوتيكس" (ABB Robotics)، مما يتحدى الافتراض القائل بأن نماذج الذكاء الاصطناعي المتقدمة تتفوق عالمياً في سياقات الصيانة المتخصصة في مجال معين.
تُثبت هذه الورقة أن المحاذاة المتدرجة الإيجابية الضعيفة والمستمرة تتوسط التعلم دون العتبة في عملية تقطير اللوجيت المساعدة لـ MNIST متعددة الخطوات، مما يكشف أن استراتيجيات التخفيف مثل التدريب العتبي قد تفشل في كبح اكتساب السمات غير المقصودة عندما تهيمن محركات التدرج من الدرجة الأولى.
تقترح الورقة البحثية إطار عمل DIP-KD، وهو إطار ثلاثي المراحل يعمل على توليف مسبقات صور متنوعة، وتعزيز تمايزها عبر التعلم التبايني، واستخدام طالب أولي (primer student) لتقطير الاحتمالية الناعمة لتحقيق أداء رائد في سيناريوهات تقطير المعرفة خالية البيانات ذات الصندوق الأسود حيث تتوفر فقط تنبؤات النوع الأول (top-1).
تقترح هذه الورقة مخطط تدريب مبتكر لشبكات الخصومة التوليدية يقوم باختيار الصور الاصطناعية ذات الثقة العالية بشكل تكيفي تحت إشراف المعلم لتعزيز تنوع البيانات وتحقيق أداء رائد في تقطير المعرفة في ظل ظروف التعلم القليل من الأمثلة في الصندوق الأسود.
تُظهر هذه المقالة أنه في حين أن نماذج "ترانسفورمر" القياسية القائمة على "سلسلة الأفكار" لا يمكنها التعميم على مسارات الاستدلال الأطول بسبب قيود متأصلة في عمليات النسخ والاسترجاع، إلا أنها يمكنها تحقيق اكتمال تورينج قابل للتعميم من حيث الطول عبر توظيف مفردات متنامية تتضمن رموز "محدد مسار" فريدة وتشفيرات "تغير القيمة" للتغلب على هذه العوائق.
تقدم هذه الورقة البحثية G-Loss، وهي دالة خسارة موجهة بالرسم البياني تستفيد من انتشار الملصقات شبه الموجه على رسم بياني لتشابه المستندات لالتقاط الهياكل الدلالية العالمية، مما يمكّن النماذج اللغوية من تعلم تمثيلات غنية بالخصائص وتحقيق دقة تصنيف فائقة مقارنة بطرق الضبط الدقيق التقليدية.
تقدم هذه الورقة دراسة تجريبية منهجية للتعلم في السياق في نماذج المحولات (transformers) للتصنيف الثنائي القائم على خليط غاوسي، حيث تحدد كيف تتحكم أبعاد المدخلات، وعدد الأمثلة في السياق، وتنوع مهام ما قبل التدريب في معدلات النجاح وظهور الإفراط المفرط الحميد.
تقيم هذه المساهمة وتقارن بين طرق التفسير القائمة على الاضطراب، والقائمة على قيم شابلي، والقائمة على التدرج والمكيفة لتمثيل "مستوى لوند-جت" (Lund-Jet-Plane)، وتثبت أن هذه التقنيات تربط بنجاح تنبؤات الشبكة العصبية بالكميات الملحوظة في الكروموديناميكا الكمية (QCD) الكلاسيكية، مع الكشف عن تحولات واضحة في التركيز بين الأنظمة الاضطرابية وغير الاضطرابية في تصنيف النفاثات.