🤖 machine learning
Why Does Robustness Reduce Superposition?
توضح هذه الورقة تجريبيًا أن التدريب الخصمي يقلل من التراكب عبر إجبار النماذج على التخلي عن الميزات غير المتينة، مما يؤدي إلى تقليل العدد الإجمالي للميزات التي يجب تمثيلها داخل الشبكة.
🤖 Category
cs.LG
22423 ورقة بحثية
📊 statistics
Token-Level Likelihood-Array Regression for Membership Inference and AI-Generated Text Detection
تقترح هذه الورقة البحثية "انحدار مصفوفة الاحتمالية" (Likelihood-Array Regression - LAR)، وهي طريقة مبتكرة تنظم احتمالات مستوى الرمز عبر نوافذ سياقية متداخلة في مصفوفات مهيكلة لتحسين استنتاج العضوية وكشف النصوص المولدة بواسطة الذكاء الاصطناعي بشكل كبير، وذلك من خلال التقاط المعلومات الدقيقة حول مقياس السياق وموضع الرمز التي تفتقدها النماذج المرجعية التقليدية القائمة على الاحتمالية.
🤖 machine learning
Unveiling the Depth-Performance Dilemma in Split-Federated Fine-tuning of LLMs
تحدد هذه الورقة "معضلة العمق والأداء" الحرجة في الضبط الدقيق للنماذج اللغوية الكبيرة عبر التعلم الاتحادي المجزأ، حيث تُثبت أنه بينما تزيد تقسيمات النماذج الأكثر عمقاً من كفاءة النظام والخصوصية، إلا أنها تؤدي حتماً إلى انهيار كارثي في الأداء بسبب ضجيج التجميع غير المحدود الذي يتسبب في "انهيار الانتباه" (Attention Collapse) في قسم الخادم، وهو فشل لا تستطيع طرق التجميع الاتحادي الحالية معالجته.
🤖 machine learning
On the Capability Separation Between World-Model Policy Learning and Imitated World-Action Models
تُبين هذه الورقة أنه في حين أن نماذج العالم-الفعل (world-action models) تُغير من عملية تحليل التعلم، إلا أنها لا تعمل بطبيعتها على توسيع فئة السياسة (policy class) أو تحسين أهداف التقليد مقارنة بالنسخ السلوكي المباشر (direct behavior cloning) تحت البيانات الرصدية، مما يسلط الضوء على أن الميزة الجوهرية لنماذج العالم المشروطة بالفعل تكمن في قدرتها على التنبؤ بعواقب أفعال محددة من أجل تحسين السياسة، بدلاً من مجرد التنبؤ بالنتائج المرتبطة بالسلوكيات المرصودة.
📊 statistics
Efficient Regression Models for Scan Statistics
تقدم هذه الورقة فئة جديدة من نماذج الانحدار لإحصاءات المسح التي تتيح تحسين ملاءمة الإشارات غير المستقرة وتحقق كشفاً للظواهر الشاذة في زمن خطي من خلال تحسينات خوارزمية، مما يثبت فعاليتها في كل من الاختبارات الاصطناعية وتحديد المشكلات الواقعية في علم الفلك التداخلي.
🤖 machine learning
Joint Causal Structure and Cluster Discovery Using Variational Inference
تقترح هذه الورقة إطار عمل جديداً للاستدلال التبايني يستنتج في آن واحد مجموعات المتغيرات الكامنة وهياكلها السببية، مما يعالج قصور الطرق الحالية التي تتطلب مجموعات محددة مسبقاً، وتُظهر فعاليتها على كل من مجموعات البيانات الاصطناعية والواقعية.
📊 statistics
Spending Scarce Confirmatory PET Measurements: Target-Aligned Validation in A4/LEARN
تُثبت هذه الورقة أن تخصيص قياسات التصوير المقطعي بالإصدار البوزيتروني (PET) التأكيدية الشحيحة بناءً على استراتيجية تحقق محددة الهدف —من خلال إعطاء الأولوية للمشاركين ذوي التأثير العالي على الادعاء العلمي أو السريري المحدد بدلاً من مجرد عدم اليقين في التنبؤ— يحسن عملية توليد الأدلة لدراسات مرض الزهايمر، كما هو موضح من خلال تطبيقها على مجموعة بيانات A4/LEARN.
🤖 machine learning
FreKoo++: Learning Continuous Spectral Dynamics for Temporal Domain Generalization
تُعد ++FreKoo إطار عمل طيفي-ديناميكي مستمر ومبتكر يوحد ديناميكيات مود (Koopman) النمطية المستمرة مع فك التشابك الطيفي التكيفي لتحقيق تعميم في المجال الزمني يتفوق على أحدث المعايير تحت تأثير الانزياحات متعددة المقاييس المعقدة وأخذ العينات غير المنتظم، وذلك عبر نمذجة تطور المعلمات كأنماط مستمرة قابلة للتعلم وعزل الديناميكيات المهيمنة عن الضجيج تلقائياً.
🤖 machine learning
Risk-Sensitive Reinforcement Learning with Smoothed Quantile Objectives
تقدم هذه الورقة البحثية UCB-BQRL، وهو خوارزمية تعلم تعزيزي قائم على النموذج تستخدم هدفاً كمياً منخفض المخزن مؤقتاً وممهداً وإجراء برمجة ديناميكية دقيق (EVI-BQ) لتحقيق تعلم مستقر وحساس للمخاطر مع حدود ندم مثبتة ونتائج صعوبة حوسبية لتقييم الكميات.
🤖 machine learning
When Test-Time Adaptation Helps, Harms, or Becomes Inactive: A Condition-Level Study on CIFAR-10-C
تكشف هذه الدراسة أنه بينما تُحسّن طرق التكيف وقت الاختبار (Test-Time Adaptation) متوسط الدقة بشكل كبير على مجموعة بيانات CIFAR-10-C، إلا أنها غالباً ما تُظهر أداءً ضعيفاً أو تصبح غير فعالة في ظروف فساد معينة منخفضة الشدة، مما يسلط الض الضوء على ضرورة التقييم على مستوى الحالة (condition-level evaluation) بدلاً من المقاييس الإجمالية لتحديد أنماط الفشل المنهجية.