22423 ورقة بحثية
تقترح الورقة البحثية طريقة SMART، وهي طريقة إعادة معايرة خفيفة الوزن وفعالة من حيث البيانات تعمل على تحسين معايرة الشبكات العصبية من خلال تغيير قياس اللوجيتات (logits) بشكل تكيفي بناءً على فجوة اللوجيت (الهامش بين التنبؤات العليا) وتحسين دالة خطأ المعايرة المتوقع ذات الصناديق الناعمة المبتكرة لتحقيق التوازن بين الانحياز والتباين.
تقدم هذه الورقة البحثية AIRL-S، وهو إطار عمل موحد يجمع بين التعلم العكسي التنافسي المعزز (Adversarial Inverse Reinforcement Learning) وتحسين السياسة النسبي للمجموعات (Group Relative Policy Optimization) لاستنتاج مكافآت كثيفة وخطوة بخطوة من المسارات المرجعية، مما يلغي الحاجة إلى بيانات عمليات مصنفة مع تمكين توسيع نطاق الاختبار القوي ومنخفض التكلفة الذي يحقق أداءً بمستوى GPT-4o عبر اختبارات قياس الرياضيات والعلوم وتوليد الكود البرمجي.
تقدم هذه الورقة "التشفيرات الدورانية المستحثة بالموجات" (WIRE)، وهي طريقة مبتكرة تعمل على تكييف تشفيرات الموضع الدورانية لتناسب البيانات ذات البنية الرسومية، وذلك عبر تدوير الرموز بناءً على طيف "لابلاسيان" للرسم البياني، مما يؤدي بفعالية إلى حقن المعلومات الهيكلية في آليات الانتباه مع الحفاظ على التوافق مع الانتباه الخطي واستعادة تشفير الموضع الدوراني القياسي (RoPE) في الرسوم البيانية الشبكية.
تقدم هذه الورقة ONNX-Net، وهي تمثيل عصبي موحد قائم على النصوص ومبني على مرجع ONNX-Bench الذي يضم أكثر من 600 ألف عينة، مما يتيح لمُتنبئ أداء واحد تقييم أي بنيات عصبية بشكل فوري ودقيق عبر مساحات بحث متنوعة دون أن يكون مقيداً بتصاميم قائمة على الخلايا.
تقدم الورقة البحثية AlgoTrace، وهو إطار عمل يحدد ويتلاعب بالبدائيات الخوارزمية القابلة لإعادة الاستخدام ضمن الفضاء الكامن للنماذج اللغوية الكبيرة، مما يثبت أن الاستدلال متعدد الخطوات يمكن توجيهه وتركيبه من خلال عمليات هندسية على هذه المتجهات لتعزيز التعميم عبر المهام.
تقدم هذه الورقة "Cluster-DAGs" كإطار عمل مرن للمعرفة المسبقة لاكتشاف السببية، وتقترح خوارزميتي "Cluster-PC" و"Cluster-FCI"، اللتين تستفيدان من هذا الإطار للتفوق على الأساليب الحالية في كل من البيئات عالية الأبعاد كاملة الملاحظة وجزئية الملاحظة.
يُعد ATLAS إطار عمل لتعلم الرسوم البيانية قابل للتوسع وخالٍ من الانتشار، حيث يحدد بشكل تكيفي مستويات الحبيبية المثلى للمجتمعات لترميز المعلومات الهيكلية كسمات صريحة، محققاً أداءً فائقاً على كل من الرسوم البيانية المتجانسة والمتباينة في حين يتيح تدريباً فعالاً بنظام الدفعات الصغيرة واستدلالاً خالياً من المصفوفات المجاورة.
تقترح الورقة البحثية iFlip، وهو إطار عمل تكراري قائم على التغذية الراجعة يستفيد من ثقة النموذج، وعزو الميزات، واللغة الطبيعية ليتفوق بشكل كبير على الأساليب الرائدة في توليد أمثلة مضادة صالحة للذكاء الاصطناوي القابل للتفسير وتعزيز البيانات.
تقدم هذه الورقة نموذج MotoTimePressure (MTPS)، وهو نموذج تعلم عميق خفيف الوزن يتنبأ بدقة بضغط الوقت لدى راكبي المركبات ذات العجلتين التي تعمل بالطاقة باستخدام مجموعة بيانات جديدة مكونة من 129,209 نافذة ميزات، مما يثبت أن دمج هذه التنبؤات يعزز بشكل كبير التنبؤ بمخاطر التصادم ويمكّن من التدخلات الاستباقية للسلامة ضمن أنظمة النقل الذكية.
تقدم هذه الورقة GRIP، وهو إطار عمل غير مرتبط بخوارزمية محددة يفرض قيوداً هندسية على تحديثات الموجه (router) في نماذج خليط الخبراء (Mixture-of-Experts) لمنع التلاعب بالتوجيه، مما يضمن محواً حقيقياً للمعرفة من معاملات الخبراء مع تحسين دقة الاستبقاء والمتانة ضد الاسترداد العدائي بشكل كبير.