22512 ورقة بحثية
تقدم هذه الورقة PhysAttNet، وهو إطار عمل انتباه مستوحى من الفيزياء يعزز الشبكات العصبية الالتفافية خفيفة الوزن بقيود تنظيمية محددة للمجال لتعزيز دقة ومتانة وقابلية تفسير التنبؤ بالسلاسل الزمنية في التطبيقات الصناعية والفيزيائية الفلكية.
تقترح هذه الورقة إطار عمل عملياً وسياقياً لتقييم وتخفيف مخاطر الخصوصية في النماذج التأسيسية السريرية من خلال معالجة تسرب البيانات بوساطة النماذج عبر استراتيجيات تقنية وقانونية متكاملة، نظراً لأن اللوائح الحالية مثل HIPAA وGDPR تقدم توجيهات محدودة لهذه التهديدات غير المباشرة.
تُثبت هذه الورقة أنه في توليد الصور الطبية، يكون المرمز (tokenizer)، والمولد (generator)، وأخذ العينات (sampler) الأمثل مترابطين بشكل وثيق بدلاً من كونهم مستقلين، مما يستلزم استراتيجية اختيار مشتركة واستخدام إحصائية جديدة خالية من المولد للتنبؤ بدقة بجودة التوليد اللاحقة بما يتجاوز مقاييس إعادة البناء التقليدية.
تُطوّر هذه الورقة البحثية وتُقيّم بدائل للمؤثرات العصبية (neural operator surrogates) مُدرَّبة على محاكاة الحدود المغمورة عالية الدقة للتنبؤ بكفاءة بالمجالات الهيدروديناميكية لأسماك الأنقليس المستوية والحجمية عبر هندسات وأرقام رينولدز متفاوتة، محققةً أخطاءً نسبية عالمية منخفضة مع تسليط الضوء على دقة الضغط والاتساق الفيزيائي كمجالات رئيسية للتحسين في المستقبل.
تقترح الورقة البحثية LGNNIC، وهي بنية تدريب شبكات عصبية رسومية (GNN) موزعة ومبتكرة تستفيد من بطاقات الشبكة الذكية (SmartNICs) المتمركزة مع عقد الذاكرة البعيدة لتفريغ مهام أخذ عينات الجوار والكمية، مما يؤدي إلى تقليل أحجام نقل البيانات بشكل كبير وتحقيق تسريع جوهري في التدريب مقارنة بأنظمة وحدة المعالجة المركزية ووحدة معالجة الرسومات التقليدية.
تحل هذه الورقة دور قابلية تحقيق السياسة في تعقيد العينة لتعلم السياسة تحت بروتوكول -resets من خلال إثبات أن الاعتماد على الأفق يكون كبيراً بشكل أسي () في ظل تركيز جميع السياسات المحدود، ولكنه ينخفض بشكل كبير إلى في ظل تركيز الدفع الأمامي المحدود.
تقترح هذه الورقة إطار عمل موحداً للبصمة الهندسية يحلل الطاقة الطيفية ومحاذاة الفضاء الجزئي لمصفوفات أوزان النماذج اللغوية الكبيرة لتتبع سلالة النماذج بقوة والتمييز بين النماذج المستقلة، ونفس السلسلة، والنماذج ذات القاعدة المشتركة دون الحاجة إلى الوصول إلى بيانات المدخلات.
تقدم هذه الورقة طبقة معايرة كونفورمال مدركة للنماط (modality-aware) تعمل على تحسين موثوقية فترات التنبؤ لعمليات الانحدار متعددة الأنماط في ظل وجود بيانات مفقودة أو متضاربة، وذلك عبر الاستفاد من درجة عدم الاتفاق (disagreement score) إما لتوسيع عرض الفترات ديناميكيًا أو لتصنيف المعايرة طبقياً، مما يحقق أداءً فائقاً وتغطية قوية عبر مجموعات البيانات المتنوعة وأنظمة فقدان البيانات المختلفة.
تقترح هذه الورقة طريقة خالية من المعلمات لتهيئة تضمينات رموز الهوية الدلالية باستخدام مراكز ثقلها المقابلة في الفضاء التضميني الدلالي، مما يحافظ على الهندسة الخاصة بالعناصر ويحسن بشكل كبير من أداء وكفاءة تدريب أنظمة التوصية التوليدية القائمة على النماذج اللغوية الكبيرة مقارنة بالتهيئة العشوائية القياسية.
تُظهر هذه الدراسة أن الشبكات العصبية الكلاسيكية ذات القيم الكواترنيونية، والتي تشترك في هندسة مع الدوائر الكمومية التباينية، تضاهي أو تتفوق في الأداء على النماذج الكمومية الضحلة في معايير الرؤية الحاسوبية القياسية، مما يشير إلى أن الهندسة المحلية المشتركة والتشابك الضحل غير كافيين لمنح ميزة كمومية عملية في المهام التي تفتقر إلى البنية الكمومية الجوهرية.