22423 ورقة بحثية
تقدم الورقة البحثية PROOF-Gen، وهي طريقة تستخدم تحسين المطالبات لكل سيناريو لاستعادة المسارات الناجحة من إخفاقات النموذج المعلم، مما يحسن بشكل كبير أداء وكلاء استدعاء الأدوات المقطرين في الاختبارات القياسية وفي خطوط الإنتاج المنشورة.
تثبت هذه الورقة أن حد أرضية خسارة التدريب غير القابلة للاختزال في مطابقة الدرجة لإزالة الضجيج هو بالضبط الأثر المتكامل لمقياس فيشر-راو لعائلة الطرف النهائي الشرطية، والمستمد عبر مبدأ شرويدنجر الجسري التبايني، مما يكشف أن الهندسة المعلوماتية هي مكون جوهري في تدريب نماذج الانتشار ويفسر لماذا قد لا تقوم قيم الخسارة الخام بتصنيف النماذج باستمرار عبر جداول ضجيج مختلفة.
تقترح هذه الورقة نموذج GATNextHop، وهو نموذج لشبكة الانتباه الرسومي (Graph Attention Network) مُصمم لتقريب مسار أقصر طريق والتعميم عبر تضاريس شبكات متنوعة، مما يوفر بديلاً قابلاً للتوسع للخوارزميات التقليدية مثل خوارزمية ديكسترا (Dijkstra's) من خلال المقايضة بين الدقة وسرعة الاستدلال وقابلية النقل.
تقترح الورقة البحثية "Giraffe"، وهي بنية خفيفة الوزن تقوم بخرائط تمثيلات النصوص المخفية إلى تضمينات بصرية بكفاءة باستخدام رمز واحد لكل صورة، مما يتغلب بذلك على قيود طول المدخلات للطرق الحالية في مهام توليد التصميم الجرافيكي المعقدة.
تقترح هذه الورقة إطار عمل للاستشعار الافتراضي منخفض التأخير وفعال في استهلاك الطاقة للنشر عند الحافة، والذي يستخدم طبقة "وحدة الخطية المتسعة لـ ReLU" (SAR) مبتكرة ضمن بنية NOMAD، معززة بالتقطير المعرفي الاصطناعي وتقنيات النبض المحسنة، لتتفوق بشكل كبير على مشغلات الشبكات العصبية النبضية التقليدية في زمن التأخير، والخطأ، وكفاءة الطاقة على مجموعات بيانات الفيزياء الواقعية.
تُظهر الورقة البحثية أنه في مشكلات الانحدار ذات البيانات المتكتلة، تطور الشبكات العصبية متعددة الطبقات (MLPs) بشكل طبيعي عصبونات متخصصة أحادية المعنى تشكل تمثيلات محلية منخفضة الأبعاد، مما يحقق كفاءة فائقة في التعامل مع البيانات مقارنة بالأساليب التي تعتمد على تمثيل واحد عالمي منخفض الأبعاد.
تقدم الورقة البحثية XP-JEPA، وهو إطار عمل للتعلم عبر التنبؤ يرسخ الديناميكيات الكامنة البصرية في مسارات فيزيائية مميزةة أثناء التدريب لتحسين القدرة على التنبؤ وأداء التحكم بشكل كبير، مع التخلص من الفرع الفيزيائي عند النشر البصري فقط.
يُعد ALPHABET نموذج تسلسل مضغوطاً وزمنياً خطياً يضغط التاريخ الزمني إلى أنماط أقطاب معقدة قابلة للتدقيق لتحقيق أداء يقارب الأداء الأمثل لـ "بايز" في مهام التحكم، مع التفوق بشكل كبير على النماذج المرجعية الأكبر حجماً في كل من السرعة وكفاءة المعلمات عبر اختبار مرجعي مكون من 82 مهمة.
يقدم PhysicsBench لوحة صدارة موحدة وإطار تقييم معياري يصنف 66 نموذجاً من نماذج الذكاء الاصطناعي التوليدي والتنبؤي عبر سبع مهام للتصميم الهندسي باستخدام بيانات واقعية محدودة النطاق ومقاييس غير منحازة، مما يكشف أن الأداء الأكاديمي لا يتنبأ بشكل موثوق بالنجاح في السيناريوهات العملية ذات البيانات المحدودة.
تقدم هذه الورقة البحثية "ثلاثية الضغط" (Compression Trinity)، وهي إطار عمل موحد يستفيد بشكل مشترك من التناثر (sparsity)، والكمية (quantization)، والتقريبات منخفضة الرتبة (low-rank approximations) للتغلب على مقايضات الدقة والكفاءة في ضغط النماذج اللغوية الكبيرة التقليدية، محققةً تسريعات وتحسينات كبيرة في الدقة عبر كل من مرحلتي ما قبل التدريب وما بعد التدريب من خلال أساليب مبتكرة مثل MKOR وSLoPe وOPTIMA وPATCH وSLiM.