22512 ورقة بحثية
تقترح هذه الورقة البحثية إطار عمل "ML-for-ML"، وهو إطار لتحسين الطبقات المتعددة يعمل على ضبط معلمات الشبكة والتعلم الآلي بشكل مشترك تحت هدف مشترك يتمثل في "الوقت للوصول إلى الخسارة المستهدفة"، مستعرضةً نموذجاً أولياً يحقق الخسارة المستهدفة بشكل أسرع بنسبة تصل إلى 42% من خلال كسر الفصل التقليدي بين ضوابط الشبكات وخيارات تدريب التعلم الآلي.
تقدم الورقة البحثية Kastor، وهي استراتيجية ضبط دقيق فعالة لمحاكاة المعادلات التفاضلية الجزئية التوليدية، تجمع بين مخطط استدلال ثنائي المراحل، وتنظيم تنبؤ المتوسط (Mean Prediction Regularization)، ومطابقة التدرج المكاني لتقليل تراكم الخطأ بشكل كبير وتحسين دقة التنبؤ والواقعية الفيزيائية مقارنة بالطرق الحالية.
تقترح هذه الورقة بنية للذكاء الاصطناج الوكيل (Agentic AI) متعددة الطبقات وتضع الامتثال في المقدمة، تدمج بين التنسيق، وإنفاذ السياسات، وأنسجة البيانات الحافظة للخصوصية لتحويل عمليات نشر الذكاء الاصطناعي المجزأة في المستشفيات إلى منصة مؤسسية قابلة للتوسع، ومُحكمة، ومتوافقة عالمياً.
تُثبت هذه الورقة أن التدريب المسبق الذاتي (SPT) يعزز باستمرار دقة وقابلية توسع النماذج القائمة على المحولات عبر مهام السلاسل الزمنية الطبية المتنوعة، مما يفيد بشكل خاص البنى الأكثر عمقاً والإعدادات السريرية محدودة البيانات دون الحاجة إلى تغييرات هيكلية خاصة بالمهمة.
تقدم الورقة البحثية SAGA، وهو إطار عمل لتحسين التفضيلات بتوجيه من المحلل النحوي يستبدل التعليقات البشرية المكلفة بالإشراف عبر المحلل النحوي التبعي لتحسين الجودة النحوية لنماذج اللغات الإسكندنافية ذات الموارد المنخفضة بشكل فعال.
تتقصى هذه الورقة خصائص التقارب لطرق التدرج الفائق العشوائية للمتباينات المتغيرة الرتيبة من خلال إثبات أن متغيرات العينات المتطابقة (S-SEG) حساسة لمعلمات ليبشيتز الخاصة بكل عينة ويمكن أن تتباعد بشكل شبه مؤكد حتى في ظل الظروف التي تضمن التقارب لمتغيرات العينات المستقلة (I-SEG)، مع إثبات تقارب الفجوة المقيدة باحتمالية عالية لكلا الطريقتين تحت فرضيات مخففة.
تقترح هذه الورقة إطاراً ثلاثي المحاور (متى، وكيف، وأين) لتوصيف التحول النوعي في التعلم المستمر من التكيف التقليدي المتمحور حول المعلمات إلى تطور أوسع على مستوى النظام يدمج آليات السياسة المتبعة، والتدريب في وقت الاختبار، والمكونات الهيكلية الخارجية.
تقدم هذه الورقة إطار عمل مفتوح المصدر لتعلم حركة الروبوت الشبيهة بالبشر من مجموعة بيانات كبيرة من نماذج الحروف الأبجدية المكتوبة بخط اليد، وذلك عبر توسيع نماذج الخليط الغاوسي لتشمل أبعاد القوة والزمن، وهو ما تم التحقق من صحته من خلال دراسة مستخدم أظهرت أن المسارات المتولدة تُدرك على أنها شبيهة بالبشر بشكل كبير.
تقدم الورقة البحثية نموذج GEM-3، وهو نموذج محول (transformer) خفيف الوزن ومشروط بالخطوة الزمنية، يعالج المقايضة بين دقة المدى القصير وتراكم الخطأ في المدى الطويل في التنبؤ بالطقس من خلال تمكين الاستدلال المرن متعدد الخطوات الزمنية باستخدام مجموعة واحدة من الأوزان المدربة.
تُثبت هذه الورقة أن التوقف المبكر للاشتقاق المتدر لـ "خسارة اللوجستيك" يحقق مخاطر تصنيف مثالية في حدود الحد الأدنى الأقصى (minimax-optimal) لنماذج الخليط الغاوسي مع ضجيج قلب الملصقات، متجاوزةً بذلك عدم المثالية الإحصائية للمصنفات الاستيفائية ذات الهامش الأقصى من خلال تقنية معايرة مبتكرة تحول حدود مخاطر اللوجستيك إلى حدود مخاطر الصفر والواحد دون عقوبة الجذر التربيعي.