22512 ورقة بحثية
تقدم الورقة البحثية "روائح نيويورك" (New York Smells)، وهي مجموعة بيانات متعددة الوسائط واسعة النطاق تحتوي على 7,000 زوج من الصور والروائح من بيئات واقعية متنوعة، والتي تُظهر أن البيانات المرئية تسهل تعلم التمثيل الشمي عبر الوسائط وتتفوق على الميزات التقليدية المصممة يدويًا في مهام مثل الاسترجاع والتصنيف.
تقترح هذه الورقة طريقة متينة ومستندة إحصائياً لاختيار الميزات، تستبدل نهج زيادة الضجيج التجريبي (ad hoc) باختبار فرضية يعتمد على طريقة "البوتستراب" غير المعلمية، مما يظهر أداءً فائقاً في استعادة الإشارات الحقيقية ودقة التنبؤ مقارنة بالتقنيات الراسخة مثل "بوروتا" (Boruta) وإزالة الميزات المتكررة (Recursive Feature Elimination).
تقدم هذه الورقة طريقة استدلال مُستهلكة (amortized inference) باستخدام تدفقات تطبيع مرجحة بالاحتمالية (likelihood-weighted normalizing flows) تتغلب على قيود التوزيعات الأساسية أحادية المنوال القياسية من خلال البدء بنموذج خليط غاوسي (Gaussian Mixture Model)، مما يسمح بدقة بالتقاط التوزيعات البعدية متعددة المنوال وغير الغاوسية في المسائل العكسية عالية الأبعاد كما هو موضح في اختبارات المعايير متعددة المنوال وتطبيق في فيزياء النكهة الثقيلة.
تقدم هذه الورقة "Conformal Bandits"، وهو إطار عمل جديد يدمج التنبؤ المطابق (Conformal Prediction) في اتخاذ القرار المتسلسل لتوفير ضمانات تغطية إحصائية للعينات المحدودة مع الحفاظ على كفاءة الندم، حيث يتفوق بشكل خاص في السيناريوهات ذات الفصل الضعيف بين الأذرع مثل تخصيص المحافظ الاستثمارية حيث تفشل السياسات الكلاسيكية غالبًا.
تقدم هذه الورقة أول نموذج قائم على البيانات للغلاف المغناطيسي المستحث للمريخ باستخدام الشبكات العصبية المستوحاة من الفيزياء (PINNs) المدربة على ملاحظات مسبار "مافن" (MAVEN) والقوانين الفيزيائية، والذي ينجح في إعادة بناء تكوينات المجال المغناطيسي ثلاثية الأبعاد ويكشف عن الارتباطات الرئيسية بظروف الرياح الشمسية.
تقدم هذه الورقة FedGALA، وهو إطار عمل اتحادي يتغلب على فقدان المعرفة في الطرق الحالية القائمة على التكميم من خلال محاذاة الشبكات العصبية الرسومية مع النماذج اللغوية سابقة التدريب في فضاء تضمين مستمر عبر التعلم التبايني غير الخاضع للإشراف وضبط المطالبات عالي الكفاءة في الاتصال، محققاً تحسينات كبيرة في الأداء عبر مهام ومجموعات بيانات متنوعة.
تقدم هذه الورقة إطاراً هندسياً لتحليل الانتباه متعدد الرؤوس في النماذج اللغوية الكبيرة من خلال تعريف مقاييس الدقة والاستدعاء ودرجة F لتكميم قابلية فصل الرموز، واستخلاص حدود غير تقاربية تتنبأ بالأداء الأمثل في أنظمة N الصغيرة، والتحقق تجريبياً من هذه النتائج عبر نماذج متعددة للكشف عن أنماط تميز الرؤوس المتميزة وتوجيه عملية التناثر الواعي بالهندسة.
تقدم هذه الورقة البحثية تقنية "التقليم المتوافق مع تضمين الموضع الدوراني" (RoPE-Aligned Pruning - RAP)، وهي طريقة تقليم هيكلية تحافظ على دلالات تضمين الموضع الدوراني عن طريق إزالة قنوات ذاكرة المفتاح والقيمة (KV cache) في أزواج متوافقة، مما يحقق وفراً كبيراً في الذاكرة والحوسبة لاستنتاج النماذج اللغوية الكبيرة ذات السياق الطويل دون التضحية بالدقة.
تقدم الورقة البحثية PLuRel، وهو إطار عمل خفيف الوزن لتخليق قواعد بيانات علاقية متعددة الجداول ومتنوعة، يثبت لأول مرة أن توسيع نطاق البيانات الاصطناعية يحسن أداء وتعميم النماذج التأسيسية العلاقية.
تقدم هذه الورقة نظام توصية ذاتي التطور يستخدم وكلاء نماذج اللغة الكبيرة Gemini من Google لتوليد والتحقق ونشر بنيات النماذج ودوال المكافأة المُحسّنة بشكل مستقل عبر سير عمل ثنائي الحلقة، مما أثبت بنجاح سرعة تطوير وأداءً فائقين في بيئات الإنتاج في YouTube مقارنة بالهندسة اليدوية التقليدية.