22512 ورقة بحثية
تقترح هذه الورقة خوارزمية تقليم تكرارية مستوحاة من الاتصال المتناثر في الدماغ البشري، والتي تستخدم مقياس أهمية قائم على النشاط العصبي لتحديد وإلغاء تنشيط الاتصالات غير المهمة، مما يحقق ضغطاً كبيراً في المعلمات مع الحفاظ على دقة مماثلة عبر مختلف بنيات الشبكات العصبية العميقة ومجموعات البيانات.
يقدم هذا البحث POSSE-kNN، وهو تجمع لـ -أقرب جار مساري يجمع بين أخذ عينات البوتستراب، وفضاءات الميزات العشوائية، وفحص خارج العينة لاختيار الجيران ديناميكيًا بناءً على الهندسة المحلية للفئات، مما يظهر دقة تجميعية، ومعامل كوهين كابا، ودرجات برير متفوقة عبر عشر مجموعات بيانات مرجعية ثنائية مقارنة بالمصنفات الراسخة.
تقدم هذه الورقة إطاراً غير معلمي لفك التشابك الجزئي يسمى تنظيم ندرة الآلية، والذي يستعيد العوامل الكامنة من خلال تعلم نموذج رسومي سببي نادر يربطها بالمتغيرات المساعدة والحالات الماضية، مما يؤسس لإمكانية التحديد حتى علاقة تكافؤ اتساق جديدة ويثبت فعاليتها من خلال التحليل النظري وتجارب المشفّر التلقائي التبايني.
تقترح هذه الورقة طريقة لتحسين الطبوغرافيا العصبية خالية من التدرج باستخدام إعادة تمثيل عصبي مُدرب مسبقاً، مما يقلل بشكل كبير من عدد التكرارات للمسائل السلسة مثل تحسين الامتثال، وتتفوق على النهج التقليدية القائمة على التدرج في تحسين التصاميات المقاومة للكسر.
تقدم هذه الورقة إطار عمل يدمج نماذج مواد للشبكات العصبية تعتمد على البنية المجهرية ومتسقة فيزيائياً مع تحسين الطوبولوجيا القائم على الكثافة لتمكين التصميم الفعال للهياكل المرنة فائقة المرونة متعددة المقاييس وغير المتجانسة تحت تشوهات محدودة.
يُعد SynCoTrain إطار عمل للتعلم الآلي شبه المشرف يستخدم استراتيجية التدريب المشترك مع شبكات عصبية رسومية مزدوجة (SchNet و ALIGNN) والتعلم من البيانات الموجبة وغير المصنفة للتغلب على ندرة البيانات والتنبؤ بدقة بقابلية تصنيع بلورات الأكاسيد، مما يعزز اكتشاف المواد عالي الإنتاجية.
تقدم هذه الورقة مسحاً شاملاً لتقنيات توليد وكشف التزييف العميق عبر جميع أنواع الوسائط، وتستعرض تصنيفات ومجموعات بيانات جديدة، وتكشف من خلال معيار مرجعي جديد متعدد الوسائط أن أحدث أدوات الكشف المتطورة تعاني في التعميم على التزييف العميق الذي يتم إنشاؤه بواسطة مولدات غير مرئية.
تقترح هذه الورقة إطار عمل للتأمل الذاتي قائم على الجدلية الهيجلية للنماذج اللغوية الكبيرة، يقوم بتوليف الأفكار المتعارضة بشكل تكراري لتعزيز كل من الابتكار العلمي الجديد والاستنتاج التصحيحي للأخطاء، مما يظهر مكاسب أداء كبيرة عبر الاختبارات المرجعية الرياضية والرمزية والمعرفية المكثفة.
تقدم هذه الورقة البحثية ECLAD-ts، وهي طريقة مبتكرة لاستخراج المفاهيم وتحديد مواقعها بعد عملية التدريب (post-hoc) مصممة خصيصاً لتصنيف السلاسل الزمنية، والتي تولد تفسيرات عالمية من خلال تجميع خرائط تنشيط الشبكات العصبية التلافيفية (CNN) للكشف عن كيفية ترميز النماذج لمجموعات فرعية من المدخلات عند مستويات تجريد مختلفة.
تجادل هذه الورقة بأن الهلوسة في النماذج اللغوية الكبيرة لا مفر منها جوهرياً بسبب المقايضات المتأصلة في تجميع المعرفة الداخلية، مما يثبت أنه بينما يمكن للأدلة الخارجية أن تتحقق من دعم الإجابة، لا توجد آلية داخلية يمكنها ضمان الحقيقة الواقعية أو حل الاختلالات الدلالية التي تؤدي إلى التزييف.