22512 ورقة بحثية
تقدم هذه الورقة حدوداً محسنة لـ "المينيمكس" (minimax) والاحتمالية العالية لتقدير التوزيعات الاحتمالية المنفصلة تحت معيار ، مما يحل تساؤلات مفتوحة من كونتوروفيتش وباينسكي (2025) عبر تقديم حد مخاطرة تجريبي كامل، وتوصيف التوزيع المتطرف في الحالة الأسوأ، وإظهار نتائج تجريبية مشجعة.
تقدم هذه الورقة 5WBENCH، وهو معيار متوازن يكشف أن أساليب نسيان الآلة الحالية تفشل في الإجابة على أسئلة "لماذا" السببية بسبب الاستدلال متعدد القفزات وتخفيف التدرج، وتقترح MAAT، وهو إطار عمل جديد ثلاثي المراحل يعتمد على الوعي بالمهايئ ويحقق مستويات عالية من النسيان والاحتفاظ بالمعرفة السببية لأول مرة.
تتقصى هذه الورقة كيف تتسبب مراحل ما بعد التدريب المتتالية في جعل النماذج اللغوية الكبيرة تعاني من انهيار التمثيل إلى فضاءات منخفضة الرتبة وغير متماثلة المناحي، مما يوضح أن هذه الظاهرة تضعف القدرة المستقبلية على التكيف والتعميم، بينما تقترح تدخلات خفيفة الوزن للحفاظ على قابلية التعلم دون التضحية بالمكاسب السلوكية.
تُثبت هذه الورقة أن مرحلة ما بعد التدريب تُدخل بصمات أسلوبية "شبيهة بالذكاء الاصطناعي" قابلة للقياس وموضعية في النماذج اللغوية، وتقدم منهجية PASTA، وهي طريقة لا تتطلب إعادة تدريب تنجح في استئصال اتجاهات التنشيط المحددة هذه لتقليل معدلات كشف الذكاء الاصطناعي مع الحفاظ على تماسك النص.
تُظهر هذه الدراسة أن نظام استرجاع الترميز السريري ثنائي المراحل، والذي تم ضبطه بدقة باستخدام بيانات اصطناعية متعددة اللغات من إنتاج النماذج اللغوية الكبيرة، يتفوق على النماذج المرجعية المدربة مسبقاً باللغة الإنجليزية في اللغات غير الإنجليزية، مما يقدم وصفة قابلة للتوسع لبناء أنظمة استرجاع طبية متخصصة دون الحاجة إلى تدريب مسبق واسع النطاق في المجال الطبي الحيوي باللغة الأصلية.
تُثبت هذه الورقة أن استخدام آلية السير الحقيقي المتجنب للذات (TSAW) في تكامل مونت كارلو بسلسلة ماركوف يُسرّع التقارب بشكل كبير من خلال تحقيق معدل خطأ شبه مؤكد قدره ، وهو ما يعد أدق بكثير من مقياس التقليدي للطرق القائمة على السير العشوائي.
تجادل هذه الورقة بأن استراتيجيات اختيار البيانات قصيرة المدى لضبط النماذج اللغوية الكبيرة قد تؤدي إلى "اختيار قاصر النظر"، حيث تضحي المكاسب في الأداء الفوري بالقدرة على التكيف على المدى الطويل، وتقترح إطار عمل "الاختيار الواعي للمدى الطويل" (LHAS) لتحسين مسار التعلم الكامل للنموذج بدلاً من التركيز فقط على الكفاءة المحلية.
يُعد DisasterLex إطار عمل وسيطاً يعتمد على الرسوم البيانية للمعرفة، يعمل على تعزيز أداء تحويل اللغة الطبيعية إلى لغة SQL في تحليلات الكوارث من خلال إدراج رسم بياني لمعرفة الخبراء بين استعلامات المستخدم وقواعد البيانات الجيومكانية غير المتجانسة، مما يؤدي إلى تحسين الدقة بشكل كبير في عمليات التوجيه والاستنتاج متعدد الجداول مقارنة بالنماذج المرجعية الحالية.
يقدم هذا البحث SubsurfaceGen، وهو مولد إجرائي معزز بوحدات معالجة الرسومات ومعه مجموعة بيانات ضخمة مكونة من 4,276 نموذج سرعة واقعي ثلاثي الأبعاد وبيانات زلزالية بمقياس الحقل، صُممت للتغلب على القيود الحالية في التنوع الجيولوجي والواقعية الفيزيائية لتدريب نماذج تعلم الآلة في عملية قلب الموجة الكاملة.
تقدم هذه الورقة نموذج المتغير الكامن على مستوى العملية (PLVM) الذي يدمج آثار العمليات الجزئية من المهام المصدرية في تمثيل مشترك على مستوى الشخص لتمكين التنبؤ المبكر بالاستراتيجيات السلوكية المستقبلية في مهمة مستهدفة، مما يثبت فعاليته في مجموعة بيانات لعبة PowerWash Simulator حيث نجح في التمييز بين أنواع الاستراتيجيات المستمرة والمتكررة.