22512 ورقة بحثية
تقدم هذه الورقة NeuroCodeBench 2.0، وهو معيار مرجعي قائم على لغة C للتحقق من عمليات تنفيذ الشبكات العصبية ذات الفاصلة العائمة، مما يتيح أول تقييم صارم لأدوات التحقق البرمجية الحديثة ويوضح حدودها الحالية مع تسليط الضوء على التأثير الإيجابي للمعيار المرجعي على تطوير الأدوات.
يُعد Routesplain أول موجه لنماذج اللغات الكبيرة (LLM) قابل للتفسير للمهام المتعلقة بالبرمجيات، حيث يستخرج مفاهيم مفهومة بشرياً من الاستعلامات لاتخاذ قرارات توجيه وفية، متفوقاً بذلك على كل من النماذج الفردية والأسس المرجعية الصندوقية السوداء في الدقة والتكلفة مع تمكين التدخلات على مستوى المفاهيم.
تثبت هذه الورقة أن عملية التجزئة (tokenisation) عبر الأبجديات المحدودة، بما في ذلك حالتي الثنائية والأحادية، هي مسألة معقدة من فئة NP-complete وAPX-hard جوهرياً، مما يؤكد أن استعصاءها الحسابي هو عائق متأصل وليس مجرد نتاج لضخامة أبجديات المدخلات، وتوضح ضرورة النهج الاستدلالي في الخوارزميات العملية الحالية.
تقدم الورقة البحثية "Length-MAX tokenizer"، وهي طريقة مبتكرة تُحسّن اختيار المفردات عبر نهج تقسيم الرسوم البيانية لتقليل متوسط الرموز لكل حرف، مما يحقق انخفاضات كبيرة في خطوات التدريب، وزمن انتقال الاستدلال، واستهلاك الذاكرة، مع تحسين الأداء في المهام اللاحقة مقارنةً بترميز زوج البايت (Byte Pair Encoding) القياسي.
تقدم هذه الورقة البحثية BELA، وهو معيار للتعلم التجريبي في سيناريوهات توصية المنتجات المتكررة باستخدام منتجات واقعية وشخصيات عملاء اصطناعية، والتي تكشف أنه بينما تستطيع الوكلاء الحاليون القائمون على النماذج اللغوية الكبيرة التكيف ضمن التفاعلات الفردية، إلا أنهم يواجهون صعوبة في تحسين استراتيجياتهم عبر حلقات متعددة من خلال استنتاج البنى الكامنة المشتركة.
تقدم هذه الورقة البحثية خوارزمية DiSAH، وهي خوارزمية اتحادية غير تكرارية وفعالة في التواصل، تتيح التقدير متعدد المواقع لفروق المخاطر في تحليل البقاء على قيد الحياة دون مشاركة بيانات المرضى، مما يظهر دقة وقوة إحصائية متفوقة مقارنة بالنماذج المحلية والتحليل التلوي عبر مجموعات بيانات سريرية متنوعة.
تقترح هذه الورقة بنية عصبية هجينة تجمع بين "ماما" (Mamba) والانتباه (attention)، تستخدم مسحاً اختيارياً ثنائي الاتجاه لتقدير قنوات OFDM بكفاءة، وبتعقيد منخفض وقدرة فائقة على التعميم، متفوقة بذلك على الطرق المرجعية في الدقة وكفاءة المعلمات.
تقترح الورقة البحثية إطار عمل OATS، وهو إطار عمل مبدئي لتعزيز البيانات عبر الإنترنت يقوم بتوليد بيانات سلاسل زمنية اصطناعية عالية الجودة ديناميكيًا ومصممة خصيصًا لمراحل تدريب محددة باستخدام نماذج الانتشار وآلية الاستكشاف والاستغلال، مما يتفوق بشكل كبير على النماذج المرجعية للتعزيز الثابت في تحسين نماذج التأسيس للسلاسل الزمنية.
تكشف هذه الورقة أن نماذج المحولات (transformers) تتعلم المهارات الحسابية من خلال "تكوينية مهشمة" (shattered compositionality) غير بشرية مدفوعة بالارتباط، بدلاً من القواعد الإجرائية المتسلسلة، مما يؤدي إلى أخطاء خلط مميزة وضعف في المتانة يستمر رغم توسيع النماذج أو الإشراف عبر المسودة (scratchpad supervision).
تُثبت هذه الورقة أن التقارب ذو قانون القوة البطيء والمكلف حاسبياً، والملاحظ في تدريب النماذج اللغوية الكبيرة، هو نتيجة جوهرية لاستخدام "softmax" و"cross-entropy" لتعلم التوزيعات المرتفعة، مما يؤدي عالمياً إلى أس زمن قياسي قدره 1/3.