22512 ورقة بحثية
تقدم هذه الورقة LazyHMC، وهو إطار عمل مبتكر يوسع خوارزمية هاميلتونيان مونت كارلو (Hamiltonian Monte Carlo) لتشمل البرامج الاحتمالية ذات الأبعاد اللانهائية في لغة هاسكل (Haskell) عبر الاستفادة من التقييم المؤجل وتحليل "PACAP" الجديد لضمان أن التدرجات مدعومة بشكل منتهٍ، مما يتيح استدلالاً فعالاً قائماً على التدرج للنماذج البايزية غير المعلمية.
تقدم الورقة البحثية "خورا" (Khora)، وهو نموذج عالم متعدد الوكلاء وقابل للتوسع يتغلب على قيود التدريب ذي العدد الثابت من السكان عبر فصل تطور حالة العالم عن التصيير البصري، مما يتيح التوسع في وقت الاستدلال إلى أعداد تعسفية من الوكلاء مع الحفاظ على الاتساق عبر الرؤى والجودة البصرية.
تقترح هذه الورقة إطار عمل لمعايرة التوأم الرقمي في البيئات شحيحة البيانات يربط بين التعلم المعزز الموجه نحو الاستثارة، وتقدير عدم اليقين التنبؤي، وسياسات الاستعلام ذات الميزانية المحددة لتحسين كل من توليد المسار والتخصيص الاستراتيجي للموارد المحدودة لقياسات المعلمات المميزة، مما يظهر انخفاضاً كبيراً في الخطأ مقارنة بالنماذج المرجعية غير المعايرة.
تقترح هذه الورقة "الاستدلال الموزع المتقطع المعتمد على المسار"، وهي طريقة تعزز أخذ العينات المتقطعة من التوزيعات البعدية غير المعيرة عن طريق استبدال الافتراض الماركوفي القياسي بنظام ديناميكي كامن قابل للتعلم، مما يمكن السياسات من استخدام تاريخ المسار الكامل للتغلب على تزييف الحالة وتحسين التقارب والاستكشاف.
يُعد LegoLM إطار عمل هيكلياً يعتمد على مشاركة الأوزان، يتغلب على إخفاقات عدم التطابق التوزيعي وهيمنة القيم المتطرفة الناتجة عن المشاركة العالمية للأوزان من خلال عمليات تكييف خالية من البيانات مثل ترميز الكتلة القياسي، والاستبدال الانتقائي المئوي، وحماية الطبقة الحدية، محققاً ضغطاً يقترب من فقدان المعلومات لـنماذج اللغات الكبيرة مع تفوق ملحوظ على طرق التقليم الكمي بعد التدريب (PTQ) بـ 8 بت الحالية.
تقدم هذه الورقة طريقة نواة عامة تعيد صياغة متباينات "بروفيت" ذات العتبة الواحدة كبرامج محدبة لانهائية الأبعاد، مما يتيح توصيفات دقيقة وضمانات مثالية تقاربيًا لكل من حالات التباين المحدود والأفق العشوائي من خلال الاستكمال بين الأنظمة الحتمية والأنظمة الأسوأ حالة.
تتقصى هذه الدراسة العلاقة بين تشابه المهام والنسيان الكارثي في التعلم التعزيزي المستمر باستخدام خوارزمية "Q-learning" على مهام قائمة على الرسوم البيانية، حيث وجدت أنه بينما يُظهر النسيان ديناميكيات معقدة متأثرة بكل من التشابه والتعقيد، فإنه لا يوجد دليل ذو دلالة إحصائية على أن تشابه المهام يدفع بالنسيان بشكل مستقل.
تقدم هذه الورقة مقياس فقدان التوافق مع الإصدارات السابقة في التفسيرات القائمة على الأشجار (BCLTX) وخوارزمية خفيفة الوزن مقابلة لها، CART-BCTX، لضمان حفاظ تحديثات نماذج أشجار القرار على تفسيرات هيكلية متسقة مع الحفاظ على دقة التنبؤ والكفاءة الحسابية.
تقدم الورقة البحثية SCALER، وهو إطار عمل من الخشن إلى الناعم يجمع بين نموذج Transformer خفيف الوزن للتنبؤ بالشكل العام وبين عملية تحسين البواقي التكرارية لنموذج لغوي كبير (LLM) لتحقيق تنبؤ طويل الأمد للسلاسل الزمنية بكفاءة ودقة عالية مع تقليل التكاليف الحسابية بشكل كبير.
تُعد RippleKV طريقة مبتكرة لتخصيص ذاكرة التخزين المؤقت للمفاتيح والقيم (KV cache) عبر الطبقات، تعمل على تحسين استنتاج النماذج اللغوية الكبيرة ذات السياق الطويل من خلال قياس كيفية انتقال الاضطرابات في ذاكرة القيم لكل طبقة إلى المخرجات، مما يؤدي إلى توزيع ميزانية الذاكرة ديناميكيًا على الطبقات الحساسة بدلاً من الاعتماد على مؤشرات ثابتة مثل عمق الطبقة.