22512 ورقة بحثية
تقدم هذه الورقة البحثية مقياس "صعوبة النسيان الموجه بالدوائر" (CUD)، وهو مقياس لما قبل عملية النسيان يعتمد على دوائر النموذج لتقدير تحديات نسيان العينات النوعية من خلال الكشف عن أن العينات التي يصعب نسيانها تعتمد على مسارات حوسبة أعمق وأطول مقارنة بالعينات الأسهل.
تُثبت هذه الورقة أنه في التحسين العشوائي المقيد، فإن الحدس القائل بأن تقييد المجموعة الممكنة إلى مجموعة محدبة متداخلة أصغر تحتوي على المعلمة الحقيقية يقلل دائمًا من المخاطرة الإحصائية يفشل في ظل ضجيج كبير بما يكفي، وهي ظاهرة تُسمى "انعكاس المخاطرة" حيث تؤدي القيود الأكثر إحكامًا بشكل متناقض إلى تدهور أداء مُقدِّرات المربعات الصغرى.
توسع هذه الورقة إطار مطابقة الدرجة ليشمل البيانات المنفصلة عبر تقديم معيار تمييز ورقي مبتكر، مما يتيح استدلالاً دقيقاً للترتيب السببي يعزز بشكل كبير أداء طرق اكتشاف السببية الحالية.
تجادل هذه الورقة بأن تمثيلات الأهداف القائمة على القيمة في التعلم المعزز الهرمي غير المتصل والمشروط بالهدف يمكن أن تفشل في دعم التنبؤ الأمثل بالأفعال، وتقترح "كفاية الفعل" كشرط ضروري، مبرهنةً على أن التمثيلات القائمة على الفاعل التي تستوفي هذا المعيار تتفوق تجريبياً على النهج التقليدية القائمة على القيمة.
تقترح هذه الدراسة التعلم الذاتي الموجه فسيولوجياً (PG-SSL)، وهو إطار عمل مبتكر يستفيد من حوالي 170,000 تسجيل من نبضات PPG غير مصنفة لتدريب نموذج للكشف عن أمراض الصمام الأورطي، محققاً أداءً تشخيصياً قوياً وقيمة تنبؤية طولية رغم ندرة البيانات المصنفة سريرياً.
تقدم الورقة البحثية إطار عمل MoP (خليط من المقلِّمات)، وهو إطار عمل تكراري يوحد بين تقليم العمق والعرض ليتفوق على الأساليب الحالية أحادية البعد في الدقة وتقليل زمن الاستجابة عبر نماذج LLaMA وLLaVA.
تثبت هذه الورقة نظرياً أن مُقدِّر خط الأساس الجمعي الأمثل (-IPS) يتفوق تقاربياً على طريقة حساب درجات الاحتمالية العكسية ذاتية المعايرة القياسية (SNIPS) في التقييم خارج السياسة، وذلك من خلال إثبات أن طريقة (SNIPS) تعادل استخدام خط أساس جمعي غير أمثل، مما يبرر التحول نحو المتغيرات المساعدة الجمعية في أنظمة الترتيب والتوصية.
تقدم هذه الورقة نموذج AIFL، وهو نموذج تنبؤ بتدفق الجريان السطلي اليومي العالمي حتمي يعتمد على شبكة LSTM، ويحقق أداءً هو الأفضل حالياً من خلال توظيف استراتيجية تعلم نقل ثنائية المراحل للتدريب المسبق على بيانات إعادة التحليل ERA5-Land والضبط الدقيق على توقعات نظام التنبؤ بالطقس المتكامل (IFS) التشغيلي، مما يجسّر الفجوة بفعالية بين البيانات التاريخية والتنبؤ في الوقت الفعلي.
تقدم هذه الورقة Reverso، وهي عائلة من النماذج التأسيسية للسلاسل الزمنية عالية الكفاءة ذات القدرة على التعلم الصفري (zero-shot)، والتي تستفيد من بنيات هجينة صغيرة تجمع بين الالتفافات الطويلة وطبقات الشبكات العصبية المتكررة الخطية لتضاهي أداء النماذج القائمة على المحولات (transformers) الأكبر حجمًا بكثير مع تقليل عدد المعلمات بأكثر من رتبتين عشريتين.
تُثبت هذه الورقة أن نموذج الرؤية واللغة والعمل (VLA) المجهز برأس عمل يعتمد على "خليط من الخبراء" (MoE) مبسط، يمكنه تعلم تفكيك مهام الروبوت المعقدة إلى بدائيات منخفضة المستوى قابلة لإعادة الاستخدام والتفسير واستراتيجيات تسلسل عالية المستوى بشكل انبثاقي من خلال عروض الخبراء وحدها، محققاً أداءً يضاهي النماذج أحادية البنية مع توفير قدر أكبر من الوحدات النمطية وقابلية التفسير.