cs.LG ورقة بحثية

When benchmark inferences do not compose: Projectibility in AI evaluation

تجادل هذه الورقة بأن الاستنتاجات الصحيحة لمعايير الذكاء الاصطناعي لا تترجم تلقائياً إلى ادعاءات تبعية مبررة بسبب عدم التوافق في النهايات والافتراضات والارتباطات، وتقترح إطار عمل "تدقيق القابلية للإسقاط" لتشخيص هذه الروابط المنطقية غير المدعومة.

Brett Reynolds2026-07-30

🤖 machine learning

Shared SFT Lessons Across Alignment, Model Organisms, and Toy Models

تُثبت هذه الورقة أن الدروس المتعلقة بتعميم السلوك، والحفاظ على القدرات، والمتانة التي يوفرها الضبط الدقيق الخاضع للإشراف (SFT) يمكن نقلها بنجاح عبر تدريب المحاذاة، والنماذج العضوية، والنماذج اللعبة، مما يوحد مجالات البحث هذه ويحسن النتائج الإجمالية من خلال التعلم عبر التخصصات.

Anton de la Fuente, Arthur Conmy2026-07-30

🤖 AI

Position: Evaluation Scores Are Perishable Knowledge Claims

تجادل هذه الورقة بأن درجات التقييم هي ادعاءات معرفية قابلة للتلف وعرضة لـ "تضخم الثقة" عند تجميعها عبر المتوسط، وتقترح بدلاً من ذلك نهج "الحلقة الأضعف" التحفظي الذي يتتبع صراحةً رسمية الدرجة ونطاقها ونافذة صلاحيتها لمنع التصنيفات المضللة.

Sankalp Gilda, Shlok Gilda2026-07-30

📊 statistics

Randomizing the Number of Centers in k-means++

توضح هذه الورقة أنه بينما تمتلك خوارزمية $k$ -means++ نسبة تقريب متوقعة في الحالة الأسوأ تبلغ $\Theta(\log k)$ لعدد ثابت من المراكز، فإنها تحقق تقريباً بمعامل ثابت باحتمالية ثابتة عندما يتم اختيار عدد المراكز عشوائياً من نطاق معين بعد أن يتم تحديد مجموعة البيانات من قبل خصم.

Vaclav Rozhon2026-07-30

📊 statistics

Retrospective Orthogonal Design: Response-Surface Reconstruction from Observational Data

تقدم هذه الورقة التصميم المتعامد الاسترجاعي (ROD)، وهو طريقة مبتكرة تعيد بناء أسطح المتوسط الشرطي من البيانات الرصدية على شبكة متوازنة الاحتمالات لتحقيق تقديرات انحدار غير معتمدة على التوصيف وغير معتمدة على الترتيب، مع أداء فائق خارج العينة على الأسطح المعقدة وغير الخطية مقارنة بانحدار كثير الحدود التقليدي.

Lawrence Fulton, Christopher Fulton, Arvind Sharma, Aleksandar Tomic2026-07-30

🤖 machine learning

Between Gradient and Natural Gradient: A Continuum of LoRA Initializations

تقدم هذه الورقة البحثية "Unified LoRA" (ULoRA)، وهي متصل مستمر ثنائي المعلمات من تهيئات التدرج المسبقة الشرط (preconditioned gradient initializations) التي تكشف عن طرق LoRA الحالية كنقاط نهاية محددة، مما يثبت أن الضبط المعتمد على المهمة ضمن هذه العائلة أو استخدام نسختها الخالية من البحث، ULoRA-Auto، يمكن أن يضاهي أو يتجاوز أداء الضبط الدقيق الكامل في الاختبارات القياسية.

Dianze Liu, Farshid Ghezelbash2026-07-30

🤖 machine learning

Early Verdicts, Better Budgets: Sequential Adaptive Rollout Allocation for Compute-Efficient RLVR

تقدم هذه الورقة البحثية SARA، وهي طريقة تخصيص تدحرج تتابعية تكيفية تعمل على تحسين كفاءة الحوسبة في التعلم التعزيزي مع المكافآت القابلة للتحقق (RLVR) من خلال اتخاذ قرار ديناميكي بشأن الاستمرار في أخذ عينات المحفزات أو التخلي عنها بناءً على إشارات الفعالية المبكرة، مما يقلل بشكل كبير من عمليات التدحرج الضائعة مع الحفاظ على أداء النموذج أو تحسينه.

Pixel Nomand, Elena Voss, Marcus Hale, Sofia Reyes2026-07-30

🤖 machine learning

FloDR: An invertible dimensionality reduction method based on a normalising flow

تعد FloDR طريقة لتقليل الأبعاد قابلة للعكس تعتمد على التدفقات الطبيعية (normalizing flows)، وهي تحافظ على المعلومات عالية الأبعاد من خلال الاحتفاظ بالإحداثيات غير المستخدمة، مما يتيح توليد تصورات تشخيصية مثل الانتشار الشرطي والتباين الخفي لقياس موثوقية وفقدان المعلومات في التضمينات ثنائية الأبعاد.

Abdallah Baraka, Daniel Probst2026-07-30

📊 statistics

Denoising growth complexity: Data geometry and certified schedules for diffusion sampling

تقدم هذه الورقة تعقيد النمو لإزالة الضجيج (DGC)، وهو مقياس هندسي لبنية البيانات يوفر حدود خطأ "كولباك - ليبلر" (KL) معتمدة لأخذ عينات الانتشار، مما يتيح اشتقاق جداول زمنية محسنة لخطوات الحجم وخوارزميات معتمدة بالكامل على البيانات تستعيد الضمانات القائمة مع الكشف عن الحالات التي يؤدي فيها التكيف مع هندسة البيانات إلى مكاسب حوسبية جوهرية.

Martin J. Wainwright2026-07-30

🤖 machine learning

Entity Resolution in Practice: Lessons from a Self-Serve Pipeline

تقدم هذه الورقة نظاماً للخدمة الذاتية لربط الكيانات تم تقييمه عبر ستة معايير مرجعية، مستخلصةً ثلاثة دروس عملية بالغة الأهمية: ضرورة الاختيار التلقائي للخوارزمية نظراً لعدم وجود فائز واحد، والحاجة إلى استراتيجيات متميزة لتحسين الدقة والاستدعاء، وأهمية إعادة التحقق من عمليات الدمج المتعدية لمنع انتشار الأخطاء.

Kaushik Pavani, Ganga Aluri, Pravin Jadhav, Neeraj Prasad, Kiran Sanka2026-07-30

→ السابق التالي ←