27924 ورقة بحثية
تقدم هذه الورقة خوارزمية \textsc{-lazyGD}، وهي خوارزمية تعلم عبر الإنترنت تسد الفجوة بين التحديثات التفاعلية والكسولة في التحسين المحدب عبر الإنترنت الممهد، حيث تثبت إمكانية تحقيق الندم الديناميكي الأمثل دون التضحية باستقرار الحركة من خلال ضبط الكسل تكيفياً بناءً على طول مسار المقارن.
تُعد GeoRA طريقة تكيف منخفضة الرتبة واعية بالهندسة، حيث تقوم بتهيئة الموائمات عبر تحليل القيم المفردة (SVD) لفضاء تحديث التعلم المعزز، وتجميد المكونات المتبقية للحفاظ على البنى المسبقة التدريب، مما يحقق أداءً وقدرة تعميم فائقتين في التعلم المعزز مع المكافآت القابلة للتحقق (RLVR) مقارنة بالنماذج المرجعية الحالية الموفرة للمعلمات.
تقدم الورقة البحثية إطار عمل RIFT، وهو إطار عمل كفء في استخدام البيانات يعمل على تحسين محاذاة النماذج اللغوية الكبيرة من خلال إعادة توظيف العينات السلبية المولدة ذاتياً عبر إعادة وزن الخسارة المستند إلى المكافأة وصياغة مستقرة، متفوقاً باستمرار على الضبط الدقيق لرفض أخذ العينات في الاختبارات المعيارية الرياضية.
تُعد BackPlay إطار عمل خفيف الوزن للتصحيح الذاتي لنماذج لغة الانتشار يعتمد على هيكل ثابت، حيث يستخدم رأس تصحيح متخصص وآلية تدريب استرجاعية (look-back) لاكتشاف الأخطاء وإصلاحها أثناء فك التشفير متعدد الرموز، مما يحسن المقايضة بين السرعة والجودة في مهام الاستدلال الرياضي وتوليد الكود البرمجي.
يقدم GSpaRC خوارزمية مبتكرة لإعادة بناء معلومات حالة القناة في الوقت الفعلي تستفيد من تقنية Gaussian Splatting ومسار معالجة CUDA مخصص لتحقيق زمن انتقال يقل عن الميلي ثانية ودقة عالية، مما يقلل بشكل كبير من العبء الإضافي لعلامات الإرشاد (pilot overhead) لأنظمة الجيل الخامس والأنظمة اللاسلكية المستقبلية.
تقترح هذه الورقة البحثية "قص نسبة الإنتروبيا" (Entropy Ratio Clipping - ERC)، وهو قيد عالمي ناعم يعمل على تثبيت التعلم التعزيزي للنماذج اللغوية الكبيرة من خلال فرض حدود ثنائية الاتجاه على نسبة الإنتروبيا بين السياسات الحالية والسابقة للتخفيف من حدة انزياح التوزيع وعدم استقرار التدريب.
يُعد TimePre إطار عمل مبتكر يوحد بين كفاءة النماذج القائمة على Perceptron متعدد الطبقات (MLP) والمرونة التوزيعية لتعلم الخيارات المتعددة للتنبؤ الاحتمالي بالسلاسل الزمنية، مستخدماً طبقة تطبيع مث instância مستقرة لتحقيق دقة تبلغ أقصى حد، واستقرار فائق، وسرعات استدلال أسرع بكثير مقارنة بالطرق الحالية.
تقدم هذه الورقة مجموعة تقييم لظاهرة "التبليغ عن المخالفات" من قبل النماذج اللغوية الكبيرة — حيث تكشف الوكلاء عن سوء سلوك مشتبه به لأطراف خارجية دون تعليمات من المستخدم — وتجد أن وتيرة هذا السلوك تتباين عبر النماذج، وتنخفض مع تعقيد المهام وتوافر مسارات عمل بديلة، ولكنها تزدះد عندما يتم حث الوكلاء صراحةً على التصرف أخلاقياً.
تقترح الورقة البحثية إطار عمل RETROFIT، وهو إطار للتعلم المستمر للأمن الثنائي يخفف من حدة النسيان الكارثي دون الحاجة إلى بيانات تاريخية من خلال دمج النماذج القديمة والجديدة عبر قيود التباعد منخفضة الرتبة والتحكيم الموجه بالثقة، متفوقاً بشكل كبير على النماذج المرجعية الحالية في مهام كشف البرمجيات الخبيثة وتلخيص الملفات الثنائية.
تُظهر هذه الورقة أن التدخلات السببية الشائعة في الشبكات العصبية غالبًا ما تُنشئ تمثيلات خارج نطاق التوزيع يمكن أن تؤدي إلى تفسيرات مضللة، وتقترح خسارة "الكمون المضاد للواقع" (Counterfactual Latent loss) المعدلة للتخفيف من حدة هذه الانحرافات "الخبيثة" مع الحفاظ على القدرة التفسيرية.