cs.LG ورقة بحثية

Train Large, Deploy Compact: Structured Compression for Compact Low-Rank Adaptation

تقدم الورقة البحثية PrunedLoRA، وهو إطار عمل مبتكر يستخدم التقليم الهيكلي القائم على التدرج لتخصيص الرتب ديناميكيًا والحصول على محولات منخفضة الرتبة عالية التعبير من فضاءات مفرطة في التخصيص، مع إثبات متانة هذا الإطار نظريًا وإثبات أدائه المتفوق تجريبيًا عبر مهام ضبط دقيق متنوعة مقارنة بمتغيرات LoRA وطرق التقليم الحالية.

Xin Yu, Cong Xie, Xunmei Liu, Tiantian Fan, Lingzhou Xue, Zhi Zhang2026-07-30

🤖 machine learning

Breaking the Stealth-Potency Trade-off in Clean-Image Backdoors with Generative Trigger Optimization

تقدم هذه الورقة البحثية "الأبواب الخلفية للصور النظيفة التوليدية" (GCB)، وهو إطار عمل يستفيد من نموذج (InfoGAN) الشرطي لتحديد سمات الصور الطبيعية كـمحفزات، مما يتيح هجمات أبواب خلفية شديدة التخفي عبر مجموعات بيانات ومهام متنوعة مع حد أدنى من التدهور في دقة الصور النظيفة.

Binyan Xu, Fan Yang, Di Tang, Xilin Dai, Kehuan Zhang2026-07-30

💬 NLP

DP-MGTD: Privacy-Preserving Machine-Generated Text Detection via Adaptive Differentially Private Entity Sanitization

تقترح الورقة البحثية إطار عمل DP-MGTD، وهو إطار عمل للحفاظ على الخصوصية يستخدم تعقيم الكيانات بخصوصية تفاضلية تكيفية ليس فقط لحماية بيانات المستخدم، بل لتعزيز دقة كشف النصوص المولدة آلياً بشكل غير متوقع من خلال استغلال أنماط حساسية متميزة للضجيج.

Lionel Z. Wang, Yusheng Zhao, Jiabin Luo, Xinfeng Li, Lixu Wang, Yinan Peng, Haoyang Li, XiaoFeng Wang, Wei Dong2026-07-30

💬 NLP

$\texttt{AMEND++}$ : Benchmarking Eligibility Criteria Amendments in Clinical Trials

تقدم هذه الورقة $\texttt{AMEND++}$ ، وهي مجموعة اختبار ومهمة جديدة في معالجة اللغات الطبيعية للتنبؤ بتعديلات معايير الأهلية في التجارب السريرية، إلى جانب استراتيجية تدريب مسبق مدركة للمراجعات تسمى CAMLM تستفيد من التعديلات التاريخية لتحسين دقة التنبؤ ودعم تصميم تجارب أكثر كفاءة.

Trisha Das, Mandis Beigi, Jacob Aptekar, Jimeng Sun2026-07-30

🤖 machine learning

Structurally Separated Uncertainty in Supervised Latent Variable Models

تقترح هذه الورقة مبدأ تصميم "الفصل الهيكلي" لنماذج المتغيرات الكامنة الخاضعة للإشراف، والذي يخصص عدم اليقين المعرفي وعدم اليقين العشوائي لمسارات بارامترية منفصلة ذات أهداف تدريبية متميزة، مما يحقق تقديرات لعدم اليقين قابلة للتمييز تشغيلياً مع تقليل الارتباط مع الحفاظ على الأداء التنبؤي.

Tanmoy Mukherjee, Marius Kloft, Pierre Marquis, Zied Bouraoui2026-07-30

🤖 machine learning

Adaptive Multi-Horizon Reinforcement Learning

تقترح هذه الورقة طريقة تعلم تعزيزي متعددة الآفاق التكيفية تقوم باختيار ودمج الآفاق الزمنية ديناميكياً للتغلب على قيود عوامل الخصم الثابتة، مما يعزز كفاءة المعلمات والقدرة على التكيف في البيئات المعقدة والمتغيرة وسيناريوهات التعلم المستمر.

Manoosh Samiei, Doina Precup, Paul Masset2026-07-30

🤖 machine learning

Emergent Sparsity in Frozen Random CNN Feature Extractors for Deep Reinforcement Learning

تُثبت هذه الورقة أن وكلاء التعلم التعزيزي العميق المدربين باستخدام مستخرجات ميزات لشبكات عصبية تلافيفية مجمدة وعشوائية التهيئة يطورون تلقائياً تمثيلات متصلة بالكامل شديدة التناثر تتناسب مع تعقيد المهمة وتحدد بفعالية الأداء القابل للتحقيق، مما يكشف عن الأبعاد الجوهرية للمشكلة الكامنة دون أهداف صريحة تهدف إلى تحقيق التناثر.

Scott M. Norton2026-07-30

💻 computer science

Archetypes or ability? Clustering for modelling student mathematical competence

من خلال تطبيق أساليب التجميع على مجموعة بيانات ضخمة من نتائج امتحانات الطلاب في المملكة المتحدة، تتحدى هذه الدراسة الافتراض القائل بأن الكفاءة الرياضية تتكون من مجموعات مهارية منفصلة ومتسلسلة، حيث وجدت بدلاً من ذلك أن القدرة العامة هي العامل المهيمن، مع إثبات أن النماذج القابلة للتفسير يمكنها تحقيق أداء تنافسي للتعلم الشخصي.

Benjamin Mawdsley, Tom Quilter, Richard Turner, Sarah Jackson, Paul Edwards2026-07-30

💻 computer science

Lilith: Backdoor Generalization under Training-Inference Trigger Shift

تقدم هذه الورقة "ليليث" (Lilith)، وهو إطار عمل للصندوق الأسود يوضح كيف يمكن لهجمات الباب الخلفي أن تتعمم من مرساة واحدة أثناء وقت التدريب إلى عائلة كاملة من محفزات وقت الاستدلال من خلال محاذاة هندسة التمثيل، مما يكشف عن نقطة عمياء حرجة في التقييمات الحالية التي تعتمد على إعادة استخدام المحفز بدقة.

Zhou Feng, Jiahao Chen, Chunyi Zhou, Yuan Su, Tianyu Du, Yuwen Pu, Jianhai Chen, Jinbao Li, Shouling Ji2026-07-30

💻 computer science

Try Again, Don't Look Back: Blind Resampling Outperforms Self-Repair in Small Code Models

تُظهر هذه الورقة أنه بالنسبة لنماذج الأكواد الصغيرة، يتفوق إعادة أخذ العينات الأعمى (إعادة المحاولة دون تغذية راجعة) على طرق الإصلاح الذاتي القياسية أو يضاهيها مع استخدام عدد أقل بكثير من الرموز (tokens)، لأن التكييف على محاولة النموذج الفاشلة الخاصة به يجعل النموذج "يرتكز" على الخطأ الأصلي بدلاً من الاستفادة بفعالية من التغذية الراجعة للتنفيذ.

Yuvraj Verma2026-07-30

→ السابق التالي ←

cs.LG

Train Large, Deploy Compact: Structured Compression for Compact Low-Rank Adaptation

Breaking the Stealth-Potency Trade-off in Clean-Image Backdoors with Generative Trigger Optimization

DP-MGTD: Privacy-Preserving Machine-Generated Text Detection via Adaptive Differentially Private Entity Sanitization

AMEND++\texttt{AMEND++}AMEND++: Benchmarking Eligibility Criteria Amendments in Clinical Trials

Structurally Separated Uncertainty in Supervised Latent Variable Models

Adaptive Multi-Horizon Reinforcement Learning

Emergent Sparsity in Frozen Random CNN Feature Extractors for Deep Reinforcement Learning

Archetypes or ability? Clustering for modelling student mathematical competence

Lilith: Backdoor Generalization under Training-Inference Trigger Shift

Try Again, Don't Look Back: Blind Resampling Outperforms Self-Repair in Small Code Models

$\texttt{AMEND++}$ : Benchmarking Eligibility Criteria Amendments in Clinical Trials