22512 ورقة بحثية
تقدم الورقة البحثية WorldTrace، وهو إطار عمل خالٍ من التدريب يتيح الاستمرارية البصرية طويلة الأمد في نماذج العالم المرئية عبر تخصيص مواضع افتراضية متميزة لفتحات الذاكرة المضغوطة، مما يتغلب على قيود تضمين الموضع الدوار الزمني ويحسن بشكل كبير كلاً من الاتساق الزمني والاستدعاء الحقائقي في معيار LoopBench الجديد.
تقترح هذه الورقة إطار عمل عملي للتحسين ثنائي المستوى يعمل على تعظيم الإنتروبيا التنبؤية أثناء التدريب لمعايرة النماذج اللغوية الكبيرة، مما يتغلب بفعالية على قيود النطاق التي تفرضها طرق قياس درجة الحرارة اللاحقة التقليدية ويحسن التعميم خارج النطاق.
تكشف هذه الورقة أن النماذج اللغوية الكبيرة القائمة على الانتشار ترث ثغرات أمنية متفرقة وقابلة للانتقال من أسلافها ذات التوليد الذاتي، مما يتيح عمليات اختراق فعالة للغاية للنماذج في حالة الصندوق الأسود من خلال تقليم العصبات الميكانيكي وإطار عمل "الانتشار الموجه بـ SN" الجديد الذي يحقق معدلات نجاح هجوم تقترب من المثالية بتكاليف توليد ضئيلة.
تُثبت هذه الورقة أن نماذج المحولات (transformers) المُدربة باستخدام Muon تُظهر "انهيار ما بعد التبصر" (post-grokking collapse) حيث يفشل التعميم بعد تعلم الحساب النمطي بسبب عدم الاستقرار عند واجهة التمثيل-القراءة (representation-readout interface)، وهي ظاهرة تتميز بديناميكيات مُحسِّن متباعدة وتأثيرات حجب يمكن حلها عن طريق تجميد مكونات محددة للنموذج أو إعادة قياس الدائرة المتوافقة مع المهمة.
تقترح هذه الورقة البحثية "تعلم كيو للمنفعة الكامنة" (LUQ-Learning)، وهو إطار عمل مبتكر لتحسين نظم العلاج الديناميكية الفردية من خلال فصل تقدير تفضيلات المريض عن انحدار النتائج للتعامل بفعالية مع النتائج متعددة المتغيرات والمتنافسة دون الحاجة إلى ترتيب صريح للنتائج.
تقترح هذه الورقة إطار عمل للتعلم عبر الإنترنت خالٍ من التدرج، يستخدم محاكيات عصبية لتقريب الحلول غير القابلة للتفاضل، مما يتيح التدريب الفعال لتمثيلات النطاق الفرعي للأنظمة المناخية الفوضوية دون الحاجة إلى التفاضل المباشر للنماذج العددية الأصلية.
تحل هذه الدراسة التجريبية واسعة النطاق الأدلة المتضاربة حول أشجار القرار المثلى من خلال إثبات تفوقها في تحسين الأهداف المستهدفة بشكل مباشر وإنتاج نماذج أصغر وأكثر دقة، مع دحض الفرضيات التي تشير إلى أن مزاياها تتضاءل مع زيادة البيانات أو أنها أكثر عرضة للإفراط في التخصيص.
تقدم هذه الورقة نموذجاً للتعلم التعزيزي العميق لنسب التهديدات المستمرة المتقدمة، والذي حقق من خلال تحسينات هيكلية وخوارزمية متكررة طفرة هائلة في الدقة من 7% إلى ما يقرب من 98%، مما يثبت قدرته القوية على التعرف على أنشطة البرمجيات الخبيثة ونسبها.
تقترح هذه الورقة البحثية "التفضيل كعقاب" (PAR)، وهي طريقة مبتكرة لتشكيل المكافأة ترتكز على مبادئ المحدودية والنمو الأولي السريع الذي يليه التشبع، وذلك للحد بفعالية من اختراق المكافأة وتثبيت تدريب التعلم المعزز من التغذية الراجعة البشرية (RLHF).
تقترح هذه الورقة إطار عمل ASAT، وهو إطار عمل يعتمد على وجود العنصر البشري في الحلقة (human-in-the-loop) يعمل على تكييف دوال التقييم والعتبات ديناميكيًا باستخدام ملاحظات واقعية خارج نطاق التوزيع (out-of-distribution) لتعظيم معدلات الإيجاب الحقيقي مع التحكم الصارم في معدلات الإيجاب الكاذب، مما يؤدي إلى التفوق على الأساليب الحالية في الكشف القوي عن البيانات خارج نطاق التوزيع.