22512 ورقة بحثية
تقدم الورقة البحثية gp2Scale، وهي منهجية تتيح الاستدلال الدقيق للعمليات الغاوسية على أكثر من 10 ملايين نقطة بيانات من خلال الاستفيدادة من النوى غير المستقرة ذات الدعم المدمج لإحداث تخلخل طبيعي في مصفوفة التباين، مما يلغي الحاجة إلى نقاط التحفيز أو غيرها من التقريبات مع الحفاظ على المرونة الكاملة في تصميم النموذج.
تقترح هذه الورقة إطار عمل لحماية خصوصية الموقع عبر الواقع المختلط لبيئات الميتافيرس المركبية المدعومة بتقنيات الجيل السادس (6G)، والذي يستخدم نموذج انتشار توليدي هجينًا معززًا بنماذج اللغات الكبيرة (LHDPPO) لتحسين الاضطراب المستمر للموقع وهجرة الوكلاء الاصطناعيين المنفصلة، مما يوازن بفعالية بين الحفاظ على الخصوصية وجودة الخدمة وزمن الاستجابة.
تُظهر هذه الورقة أنه في التعلم المعزز متعدد الوكلاء ذي الجداول الكاملة مع قيود التجسد، يتفوق تعلم Q المستقل بالكامل على النهج المركزية من خلال تجنب "قفل التزامن الزمني"، وهو اعتلال تنسيقي تجبر فيه دوال القيمة المشتركة الوكلاء الأكفاء على فترات انتظار دون المستوى الأمثل عندما يكون الشركاء محدودين.
تقدم هذه الورقة إطاراً إشرافيّاً خفيف الوزن يعمل في وقت التشغيل، يقوم تلقائياً باكتشاف والتعافي من التحديثات المزعزعة للاستقرار أثناء تدريب الشبكات العصبية عبر الاستفادة من إشارات تحقق ثانوية، مما يوفر ضمانات سلامة نظرية دون تعديل المحسن الأساسي.
تُظهر هذه الدراسة أنه في تحليل الصور الطبية بخصوصية تفاضلية، يُعد مجال متن ما قبل التدريب (تحديداً صور الأشعة السينية للصدر من نفس المجال) محدداً أكثر أهمية للمقايضة بين الخصوصية والمنفعة من هدف ما قبل التدريب، حيث تتفوق النماذج التي تم تهيئتها باستخدام بيانات خاصة من نفس المجال بشكل ملحوظ على تلك التي تستخدم تدريباً مسبقاً عاماً أو غير متخصص حتى في ظل قيود خصوصية صارمة.
تقترح هذه الورقة نهجًا لضبط التكييف باستخدام التكيف منخفض الرتبة (LoRA) على مستوى الطبقات، يقوم باختيار الطبقات الأكثر صلة بشكل منهجي بناءً على تشابه التمثيل الداخلي، مما يقلل عدد المعلمات القابلة للتدريب بنسبة تصل إلى 50% مع الحفاظ على الأداء التنبؤي أو حتى تحسينه عبر مختلف بنيات النماذج والمهام.
يقدم DFAH-Bench إطار عمل جديد للتقييم المرجعي لا يكتفي بتقييم وكلاء الذكاء الاصطناعي المالي بناءً على صحة القرار فحسب، بل يقيس أيضاً استقرار وأمانة مسارات تنفيذهم المرصودة، مما يكشف عن تضاربات كبيرة في استخدام الأدوات ومسارات الاستدلال حتى عندما تظل القرارات النهائية متسقة.
تُعد GaugeQuant طريقة تعلم عبر الإنترنت تستفيد من تناظرات النماذج اللغوية الكبيرة (LLM) ومن حد خسارة (LogSumExp) لتعلم القواعد المثلى للكمّ ديناميكيًا أثناء التدريب، مما يقلل بشكل كبير من الحيرة (perplexity) تحت الكمّ منخفض البتات دون الحاجة إلى بيانات معايرة أو تغيير هدف النمذجة اللغوية.
تقدم هذه الورقة البحثية BR-Async-Q، وهو خوارزمية تعلم Q متينة تعتمد على الحقبات (epoch-based) وتتعامل بفعالية مع الفساد العدائي لكل من المكافآت والحالات من خلال تجميع البيانات وبناء تقديرات متينة لمؤثر بلمان (Bellman operator)، محققةً حدود خطأ ذات احتمالية عالية تماثل تعلم Q التقليدي باستثناء حد يتناسب مع كسر الفساد.
تقدم هذه الورقة SCOPE، وهو معيار لتقييم استقراء المخططات من النصوص الخام، وSCION، وهو مسار مرجعي قابل للتدقيق يقوم ببناء ودمج مخططات الرسوم البيانية من بيانات التدريب، مما يظهر أداءً فائقاً على الخطوط المرجعية الحالية مع توفير مخرجات شفافة تماماً ومرتبطة بالأدلة.