27461 ورقة بحثية
تقدم هذه الورقة أول خوارزمية فعالة عملياً لحساب التسلسلات الهرمية للموسعات (expander hierarchies)، وتستخدمها لتطوير حل مبتكر لتجميع الرسوم البيانية يتفوق بشكل كبير على الأساليب المتطورة الحالية في معيار القطع المعياري (normalized cut) من حيث جودة الحل.
تقترح الورقة البحثية إطار عمل المحاذاة الكامنة المشروطة بالمهمة (TCLA)، والذي يستفيد من المشفّر التلقائي لمحاذاة التمثيلات العصبية من جلسات المصدر الغنية بالبيانات مع جلسات الهدف محدودة البيانات، مما يؤدي إلى تحسين أداء فك التشفير العصدي عبر الجلسات بشكل كبير في مهام المكاك الحركية والعيونية.
تُعد TS-Arena منصة تنبؤ حية تعالج مشكلة تلوث مجموعة بيانات الاختبار في نماذج التأسيس للسلاسل الزمنية من خلال فرض بروتوكول تسجيل مسبق صارم حيث تُقدم التنبؤات قبل وجود البيانات الحقيقية، مما يتيح تقييماً قوياً لقدرات التعميم على البيانات المستقبلية في الوقت الفعلي.
تُعد TreeCoder إطار عمل مرن يعمل على تحسين دقة توليد الأكواد بواسطة النماذج اللغوية الكبيرة من خلال التعامل مع استراتيجيات فك التشفير ومختلف القيود (مثل القواعد النحوية والتنفيذ) كعناصر قابلة للتحسين ضمن عملية بحث شجري، مما يقلل من الحاجة إلى هندسة الأوامر اليدوية.
تقدم هذه الورقة AdaFair-MARL، وهو إطار عمل للتعلم التعزيزي متعدد الوكلاء التعاوني المقيد الذي يفرض عدالة تكيفية في عبء العمل من خلال آلية تحديث ثنائية الأصل (primal-dual) تعتمد على هندسة مؤشر جين للعدالة (Jain's Fairness Index)، محققاً استيفاءً شبه مثالي للقيود وتحسناً في التوازن دون الحاجة إلى ضبط يدوي للعقوبات.
تقترح الورقة آلية تكييف فعالة من حيث المعلمات لمحاكيات الشبكة الرسومية (GNS) تستهدف طبقات تمرير الرسائل المبكرة لتمكين التكيف السريع مع خصائص المواد الجديدة ببيانات دنيا، مما يسهل تطبيقات تعميم المواد والتصميم العكسي.
تقترح هذه الورقة شبكة انتباه رسومية مبتكرة مستوحاة من الفيزياء، مدمجة مع توزيع باريتو المعمم المعتمد على الموسم والمكان، لتحسين التنبؤ طويل المدى بهطول الأمطار المتطرفة في تايلاند من خلال الاستفادة من الارتباطات عن بُعد وهياكل الرسوم البيانية الزمكانية.
تُثبت هذه الورقة أن النماذج اللغوية الكبيرة سابقة التدريب يمكنها تعلم وتوقع المتواليات الناتجة عن نماذج ماركوف المخفية بفعالية من خلال التعلم في السياق، محققةً دقة تقارب المستوى الأمثل في البيانات الاصطناعية وأداءً تنافسياً في مهام اتخاذ القرار لدى الحيوانات في العالم الحقيقي، مما يرسخ التعلم في السياق كأداة قوية للكشف عن البنى الخفية في البيانات العلمية المعقدة.
تحدد هذه الورقة أن تغير فضاء تسميات المخرجات في التعلم المستمر يعمل كقناة جانبية للخصوصية، وتقترح صياغة جديدة للخصوصية التفاضلية للتعلم المستمر، إلى جانب طرق للتخفيف من هذا التسريب مع الحفاظ على دقة عالية للنموذج.
يُعد LoPO إطار عمل مبتكر يوفر في آن واحد إثبات التعلم وإثبات الملكية من خلال العلامات المائية المتسلسلة، محققاً دقة عالية في الكشف وخصوصية للبيانات مع تقليل تكاليف التحقق بشكل كبير والحفاظ على المتانة ضد هجمات التزوير.