22512 ورقة بحثية
تقدم الورقة البحثية Maglev، وهي بنية Transformer متكررة تجمع بين مرحلة تعبئة (prefiller) ذات انتباه كامل مع فك تشفير بنظام النافذة المنزلقة (sliding-window decoder) يتم تدريبه عبر فقد اتساق الذاكرة (memory consistency loss) لتحقيق ذاكرة ثابتة الحجم، وتدريب قابل للتوازي، وأداء متفوق على النماذج المرجعية الحالية ذات النافذة المنزلقة والنموذج المتكرر الكامن.
تقدم هذه الورقة إطار عمل "سلسلة الأفكار الرسومية" (GoT-CD)، الذي يولد رسومًا بيانية سببية متنافسة بنيويًا، مع إثبات أن حتى طرق الاكتشاف عالية الدقة يمكن أن تفشل في استعادة مسارات محددة ضرورية لتدقيق العدالة الخاص بالمسار بدقة بعد حدوث الواقعة، مما يسلط الض الضوء على الحاجة الماسة لتقييم الاكتشاف السببي من خلال منظور متطلبات العدالة اللاحقة.
تقترح هذه الورقة طريقة لاسترجاع المهارات مدركة للمجالات تحافظ على البنية الطبيعية متعددة المجالات للمهارات من خلال حساب وتعلم كيفية دمج أوجه التشابه عبر مكونات منفصلة، مما يثبت أن هذا النهج يتفوق بشكل كبير على النماذج المرجعية التقليدية القائمة على التسلسل المسطح، لا سيما مع نمو بنوك المهارات.
تقدم الورقة البحثية PopFS، وهي طريقة قابلة للتوسع لاختيار الميزات تعمل على تحسين هدف رفاهية قابل للضبط لتحديد مجموعة واحدة قوية من الميزات للمجموعات السكانية غير المتجانسة، مما يسمح لكل مجموعة بتدريب نموذجها الخاص مع موازنة الأداء التنبؤي العام مع حماية الفئات الأقل خدمة.
تقترح هذه الورقة إطار عمل جديداً لتحسين السياسات المضادة للواقع بشكل قوي في اتخاذ القرارات المتسلسلة، وذلك عبر صياغة نماذج سببية احتمالية غير حتمية تميز بين الارتباك الكامن والعشوائية المتأصلة، والتي تم التحقق من صحتها من خلال محاكاة لعلاج تسمم الدم مع وجود مربكات خفية.
تقترح الورقة البحثية آلية LTGA، وهي آلية انتباه رسومي تتعلم مؤشر "تساليس" (Tsallis) لكل حافة للقيام بالاستيفاء الديناميكي بين أشكال الانتباه الكثيفة والمتفرقة، مما يثبت أنه بينما لا تتفوق المؤشرات المتعلمة على المعلمات الثابتة المضبوطة بعناية في الدقة الإجمالية، إلا أنها تحدد بفعالية الحواف الضارة وتقصها لتحسين قابلية التفسير والكفاءة في النموذج.
تقدم هذه الورقة طريقة للتوليد مفتوح النهايات تعامل المعايير (rubrics) كمعلومات متميزة كثيفة لعملية التقطير الذاتي في الوقت الفعلي (on-policy self-distillation)، مما يثبت أن هذا النهج يتفوق على كل من تقطير إكمال المرجع (reference-completion distillation) والتعلم التعزيزي باستخدام المعيار كمكافأة (reinforcement learning with rubric-as-reward) من خلال توفير إشارات تدريب أغنى وأقل تقييداً عبر عائلات نماذج ومعايير اختبار متعددة.
تحدد هذه الورقة ظاهرة حيث يمكن لمتجهات التوجيه عالية التمييز أن تعزز سلوكيات متضادة بشكل متناقض (يُطلق عليها "متجهات التوجيه المعكوسة")، وتقترح طريقة هندسية لاكتشاف وتصحيح هذه المتجهات دون توليد، وتثبت أن تطبيق هذه الانعكاسات في الإشارة يحسن بشكل كبير أداء التدخل أثناء الاستدلال عبر نماذج لغوية كبيرة ومفاهيم متعددة.
تقدم هذه الورقة نموذج محول ذاتي الإشراف ذاتي تراجعي مع مشفر تلقائي (VAE) مكمّم لتوليد نواقل تعبير جيني أحادية الخلية دقيقة بيولوجياً، مما يؤسس لأول قانون قياس مشترك ذي أسّين وحد لـ "الحد الأمثل للحوسبة" لنموذج تأسيسي أحادي الخلية، مع إثبات قدرته على التنبؤ بالاستجابة للاضطرابات.
تقدم هذه الورقة TQLite، وهو إطار عمل تقطير مبتكر يستفيد من هيئة تحكيم متعددة النماذج اللغوية الكبيرة لتوليد بيانات تدريب اصطناعية عالية الجودة، مما يمكّن النماذج اللغوية الصغيرة من تحقيق أداء في تقييم جودة الترجمة يتسم بالسرعة والقابلية للتوسع ويضاهي النماذج اللغوية الكبيرة المكلفة حوسبياً.