cs.LG ورقة بحثية

Think Short, Defer Smart, Act, and Repeat: Calibrated Reasoning and Uncertainty-Aware Deferral for Edge LLM Agents

تقترح الورقة البحثية إطار عمل "فكر باختصار، وأجّل بذكاء" (TSDS)، وهو مخصص لوكلاء النماذج اللغوية الكبيرة (LLMs) على الحافة، والذي يعمل على تحسين الإنهاء المبكر للاستنتاج والتأجيل السحابي المدرك لعدم اليقين بشكل مشترك عبر إجراء تعلم متعدد الأهداف ومعاير، مما يقلل بشكل كبير من الحوسبة على الجهاز مع الحفاظ على ضمانات الأداء الموثوق والموثوقية عبر مختلف مهام الاستنتاج والتخطيط.

Amirmohammad Farzaneh, Osvaldo Simeone2026-07-30

📊 statistics

Conformalized Rate-Adaptive Sensing

تقدم الورقة البحثية طريقة الاستشعار المتكيف مع المعدل والمطابق (CoRAS)، وهي طريقة تضبط معدلات اكتساب الصور ديناميكيًا لضمان بقاء خطأ إعادة البناء دون مستوى مستهدف بدقة عالية من خلال تقدير ومعايرة أوقات التوقف بناءً على سلوك إعادة البناء المبكر، مما يقلل متوسط القياسات مع إعطاء الأولوية للموارد للصور الأصعب في إعادة البناء.

Jiawei Yang, Yao Zhang2026-07-30

🤖 machine learning

Actions Have Consequences: Detecting Outcome Performativity using Intervention Testing

تقدم هذه الورقة "كشف اختبار (أ/ب) للأداء الناتجي" (OPAB)، وهو إطار عمل رسمي يستخدم اختبار التدخل للكشف عن الحالات التي تؤثر فيها التنبؤات سببياً على نتائجها الخاصة، مع اشتقاق والتحقق من حدود تعقيد العينة لتحديد الإعدادات التي يكون فيها هذا الكشف ممكناً أو مستحيلاً بسبب قيود البيانات.

Brandon Gower-Winter, Georg Krempl2026-07-30

🤖 machine learning

Temporally Centered SIGReg Improves Multi-Task LeWorldModel Learning: From Analysis to Method

تحدد هذه الورقة أن التنظيم الغاوسي الهامشي في LeWorldModel يسبب تداخلًا في التمثيلات (representation aliasing) في إعدادات المهام المتعددة، وتقترح نهجًا يعتمد على تنظيم البواقي (SIGReg) ممركزًا زمنيًا بدلاً من ذلك، مما يحسن بشكل كبير الأداء في المهام المتعددة اللاحقة على معيار LIBERO دون تدريب مسبق خارجي.

Chang Liu, Fei Suo, Yanzhou Jin, Yusuke Iwasawa, Yutaka Matsuo, Yaonan Zhu2026-07-30

🤖 machine learning

Defending Against Backdoor Attacks via Alignment Checking in Model-Contrastive Federated Learning

تقترح الورقة البحثية FedDAB، وهو دفاع للتعلم الاتحادي يتكون من مرحلتين يجمع بين تنظيم التباين للنموذج المحلي والتحقق من المحاذاة للتخفيف بفعالية من هجمات الباب الخلفي مع مراعتق التباين الإحصائي وضمان التقارب النظري.

Hongliang Zhang, Zhongyuan Yu, Guijuan Wang, Tianqing He, Wenshuo Ma, Xiaosong Zhang, Jiguo Yu2026-07-30

📊 statistics

Breaking the Curse with BAND: Nonparametric Distribution Estimation in High Dimensions

تقدم الورقة البحثية BAND، وهو نهج للشبكات البايزية المتفرقة يتغلب على لعنة الأبعاد في تقدير التوزيع متعدد المتغيرات من خلال تحقيق معدلات تقارب متعددة الحدود للبيانات المختلطة عالية الأبعاد، متفوقاً بذلك على الطرق الكلاسيكية غير المتفرقة.

Shuo-Chieh Huang, Chien-Ming Chi, Jau-er Chen2026-07-30

🤖 machine learning

Foundation Models for Face Presentation Attack Detection: A Unified Linear-Probing Benchmark

تُنشئ هذه الورقة البحثية معياراً موحداً للاختبار عبر التقصي الخطي (linear-probing) لتقييم 24 نموذجاً تأسيسياً مجمداً للكشف عن هجمات تقديم الوجوه، مما يكشف أنه بينما تحتوي التمثيلات المدربة مسبقاً على معلومات ذات صلة بالمهمة فيما يتعلق بالأداء داخل مجموعة البيانات نفسها، إلا أنها تفشل في التعميم عبر مجموعات البيانات المختلفة دون تكييف صريح للتغلب على انزياح النطاق.

Peter Lorenz, Anjith George, Sébastien Marcel2026-07-30

📊 statistics

BayesAME: Bayesian Active Model Evaluation

تُعد BayesAME إطاراً بايزياً متسلسلاً يحدد تلقائياً الحجم الأمثل للمجموعة الجوهرية (coreset) لتقييم النماذج التوليدية الضخمة بكفاءة، وذلك عبر نمذجة قدرات العناصر الكامنة، وقياس عدم اليقين، والاختيار المتكرر للعناصر المعلوماتية حتى تستقر تقديرات الأداء، مع إثبات تفوقها على الاختيار العشوائي والأساليب القائمة من خلال استخدام احتمالات لوغاريتمية مستمرة.

Paula Cordero Encinar, Taylan Cemgil, Arnaud Doucet, Virginia Aglietti, Silvia Chiappa2026-07-30

🤖 machine learning

TreeCCA: Canonical Correlation Analysis via Gradient-Boosted Trees

تقدم الورقة البحثية TreeCCA، وهي طريقة مبتكرة لتدريب مجموعات الأشجار المعززة بالتدرج (gradient-boosted tree ensembles) من البداية إلى النهاية كأدوات ترميز لتحليل الارتباط الكنسي (canonical correlation analysis encoders) باستخدام دالة فقدان "إيكارت-يونغ" (Eckart-Young loss) مخصصة، مما يحقق أداءً فائقاً في استخراج الارتباط غير الخطي وقابلية التفسير مع موثوقية وكفاءة "التوصيل والتشغيل" (plug-and-play) التي تتميز بها المكتبات القياسية القائمة على الأشجار.

James Chapman2026-07-30

🤖 machine learning

Mitigating Compounding Error via Video Representation Regularization

تحدد هذه الورقة أن الأخطاء المتراكمة في توليد الفيديو ذاتي الانحدار تنبع من الانهيار البعدي للتمثيلات الخفية، كاشفةً أن توسيع نطاق البيانات وحده غير فعال، وتقترح طريقة خفيفة الوزن لتنظيم تمثيل الفيديو تعمل على استقرار التوليد طويل المدى وتحسين مقاييس الجودة البصرية بشكل كبير.

Taiye Chen, Qi Zhang, Yisen Wang2026-07-30

→ السابق التالي ←