27461 ورقة بحثية
تقدم الورقة البحثية Audio2Tool، وهي مجموعة بيانات ضخمة متعددة المجالات مصممة لتقييم قدرات استدعاء الأدوات لنماذج اللغة الصوتية عبر مستويات متفاوتة من التعقيد اللغوي والبيئات الصوتية الواقعية.
تُعد CODA وحدة تعزيز مستقلة عن الخوارزميات تُمكّن التعلم المعزز غير المتصل متعدد الوكلاء من تحقيق تنسيق أفضل عبر استخدام مولد مسارات قائم على الانتشار لإنتاج خبرات اصطناعية متوافقة مع السياسة تتطور جنباً إلى جنب مع سلوكيات الوكلاء المتغيرة.
إن CombiMOTS هو إطار عمل للبحث في شجرة مونت كارلو لباريتو (Pareto Monte Carlo Tree Search) مصمم لتوليد الجزيئات ذات الأهداف المزدوجة، والذي يعالج قيود التحسين بالترجيح (scalarized optimization) والافتقار إلى التخطيط الاصطناعي من خلال استكشاف فضاء شظايا قابل للتخليق باستخدام قيود متجهة لموازنة الألفة المستهدفة والخصائص الفيزيائية والكيميائية.
تؤسس هذه الورقة نظرياً إلى أن البنى العصبية التي تستخدم ديناميكيات من نوع شرودنغر ذات النقطة الثابتة على رسوم بيانية كامنة متعلمة هي مكافئة لأنظمة مستقرة عالمياً على رسوم بيانية فوقية، مما يوفر إطاراً موحداً يربط هذه النماذج بالبنى القائمة على الحزم ويضمن أن التعقيد محكوم بالهندسة البيانية المتفرقة بدلاً من الاتصال الكثيف.
تُجري هذه الورقة دراسة تجريبية لثماني تقنيات شائعة للتعلم النشط باستخدام تعليقات نصية مستمدة من مصادر جماعية حقيقية لتقييم أدائها في ظل وجود مُعلِّمين بشريين غير مثاليين وغير مستجيبين.
تُعد SynthPert طريقة مبتكرة تعزز قدرة النماذج اللغوية الكبيرة على التنبؤ بالاستجابات الخلوية للاضطرابات الجينية من خلال ضبطها بدقة باستخدام مسارات استدلال اصطناعية تم إنشاؤها بواسطة نماذج رائدة، مما يحقق أداءً فائقاً وقدرة قوية على التعميم عبر أنواع الخلايا المختلفة.
تُظهر هذه الدراسة أنه في حين يمكن لآثار التتبع الرقمي المتوافقة مع التعلم المنظم ذاتياً التنبؤ بفعالية بالطلاب المعرضين لخطر التعثر في مساقات علوم الحاسوب النظرية، فإن تعميم ومعايرة هذه النماذج التنبؤية عبر المؤسسات المختلفة يواجه تحديات كبيرة بسبب تباين معدلات تسرب الطلاب.
تقدم الورقة البحثية h-MINT، وهي شبكة تفاعل جزيئي هرمية تستخدم طريقة ترميز مبتكرة تُسمى "OverlapBPE" لالتقاط السياقات الكيميائية المعقدة والمتداخلة على مستويي الذرة والجزئ، مما يحسن بشكل كبير من دقة التنبؤ بآلفة الارتباط بين الجيب والليجند والمسح الافتراضي.
تُثبت هذه الورقة أن الإبلاغ عن مقاييس تقييم البذرة الواحدة في التعلم العميق البايزي غير موثوق بسبب تقلبات التباين الكبيرة وغير الرتيبة أثناء التدريب، لا سيما في الأساليب ذات الرؤوس المتباينة غير المتجانسة المتعلمة، وتقترح على الممارسين ضرورة الإبلاغ عن مسارات التباين بدلاً من مجرد المتوسطات النهائية.
تُثبت هذه الورقة أن التقييمات القياسية لطرق التعلم العميق البايزي تنتج تصنيفات غير موثوقة وتعتمد على مجموعة البيانات في ظل ندرة البيانات، وتقترح إطاراً بايزياً هرمياً باستخدام منحنيات الحد الأدنى من الفرق القابل للكشف لتوفير تقييم أكثر منهجية ووعياً بالارتياب لمدى تفوق الطريقة.