27461 ورقة بحثية
تقترح هذه الورقة نهجاً جديداً للتعلم العميق قائماً على تقنية "ترانسفورمر" (Transformer) للتنبؤ بتدفقات مسارات التوازن في مسألة تخصيص حركة المرور، مما يوفر بديلاً أسرع وأكثر مرونة بكثير من طرق التحسين التقليدية لتحليل الشبكات واسعة النطاق.
تقدم هذه الورقة "درجة التفكير الحقيقي" (TTS) لتكشف أن النماذج اللغوية الكبيرة غالباً ما تولد خطوات استدلال "تجميلية" تفتقر إلى التأثير السببي على إجاباتها النهائية، مما يشير إلى أن الكثير من تسلسل الأفكار المنطقي المنطوق هو مجرد أداء استعراضي وليس انعكاساً للحوسبة الداخلية الفعلية.
يُعد HardFlow إطار عمل مبتكر يعيد صياغة أخذ العينات ذات القيود الصارمة في نماذج مطابقة التدفق (flow-matching) كمسألة تحسين مسار، وذلك باستخدام التحكم الأمثل العددي لضمان الالتزام الدقيق بالقيود عند الزمن النهائي مع الحفاظ على جودة عينات عالية.
تُعد "تدفقات التفرع" (Branching Flows) إطار عمل جديد للنمذجة التوليدية يتيح توليد تسلسلات ذات أطوال متغيرة من خلال السماح للعناصر بالتفرع عشوائياً أو الموت ضمن غابة من الأشجار الثنائية، مع بقائها متوافقة مع مختلف عمليات مطابقة التدفق عبر فضاءات الحالة المنفصلة والمستمرة والمنوعات الرياضية.
إن DenoGrad هو إطار عمل قائم على التدرج يعمل على تحسين البيانات الجدولية والسلاسل الزمنية المشوشة بشكل تكراري من خلال تحسين قيم المدخلات عبر شبكة عصبية مدربة مسبقاً وثابتة، مما يحسن أداء النماذج اللاحقة دون الحاجة إلى بيانات مرجعية نظيفة.
تقدم الورقة البحثية MermaidSeqBench، وهو معيار جديد يتكون من 132 عينة تم التحقق منها بشرياً وتم توسيعها اصطناعياً، صُممت لتقييم قدرة النماذج اللغوية الكبيرة على توليد مخططات تسلسل Mermaid بدقة من أوصاف اللغة الطبيعية باستخدام مقاييس دقيقة تعتمد على النموذج اللغوي كحَكَم.
تُثبت هذه الورقة أن نماذج التسلسل ذاتية الانحدار، مثل Llama وMamba، يمكنها التنبؤ بدقة بعدم الاستقرار السريري والوفيات خلال عام واحد لدى مرضى فشل القلب باستخدام بيانات السجلات الصحية الإلكترونية الروتينية، مما يوفر إطارًا لتصنيف المخاطر وتخطيط الخروج الشخصي.
يُعد SPEAR-1 نموذجاً تأسيسياً روبوتياً يحقق تحكماً تجسيدياً فائقاً من خلال تعزيز نموذج رؤية ولغة مُدرب مسبقاً بقدرات الاستدلال المكاني ثلاثي الأبعاد المُدرَّبة على بيانات غير روبوتية واسعة النطاق وموسومة ثلاثياً، مما يسمح له بالتفوق على النماذج الرائدة مع استخدام عروض توضيحية روبوتية أقل بمقدار 20 ضعفاً.
تقترح هذه الورقة أن الشبكات العصبية العميقة تنجح في التعرف على الصور من خلال اكتشاف دالات الارتباط عالية الرتبة ضمن بنيات مجموعات البيانات، مما ينفذ فعلياً منهجية مشابهة لدراسة البنيات متوسطة المقياس في فيزياء المادة المكثفة لتفسير قدرتها على التعميم بما يتجاوز نظرية التعلم الإحصائي القياسية.
تقترح هذه الورقة طريقة ما بعد التدريب غير مرتبطة بنموذج محدد تعمل على تحسين توليد النص إلى صورة من خلال تعلم جداول أخذ عينات خاصة بكل حالة عبر سياسة ديريكليه (Dirichlet) يتم تحسينها بواسطة خط أساس مكافأة جديد يعتمد على انكماش جيمس-شتاين (James-Stein shrinkage).