22512 ورقة بحثية
تعيد هذه الورقة صياغة نماذج الانتشار باعتبارها استراتيجية مرنة لحجب المعلومات من خلال التدمير، وتجادل بشأن إمكاناتها في البيئات شحيحة البيانات، وتستكشف التوجهات المستقبلية لمعالجة تحديات الاستكشاف ضمن إطار عمل أصيل للانتشار.
تُظهر هذه الدراسة أن التدريب الخاضع للإشراف يؤدي بسرعة إلى تدهور التوافق بين الشبكات العصبية الاصطناعية والقشرة البصرية المبكرة لدى البشر، حيث تتسبب قواعد التعلم القائمة على الخطأ العالمي مثل الانتشار العكسي في تعطيل أكبر بكثير مقارنة بالقواعد المحلية ذات الصلاحية البيولوجية مثل الترميز التنبئي واللدونة المعتمدة على توقيت النبضات، مما يشير إلى أن البنى غير المدربة تلتقط بطبيعتها الإحصاءات البصرية منخفضة المستوى من خلال الانحيازات الاستقرائية.
تقدم هذه الورقة طريقة لعينات لانجف (Langevin) من الدرجة صفر ذات تباين مخفض تحقق أول ضمانات تقارب غير تقاربية للتوزيعات عالية الأبعاد غير المقعرة لوغاريتمياً دون الوصول إلى التدرج، وتطبق هذا الإطار لتطوير خوارزمية ZO-APMC، وهي خوارزمية مبتكرة لحل المشكلات العكسية ذات الصندوق الأسود باستخدام نماذج سابقة مبنية على الدرجة (score-based priors).
تتقصى هذه الورقة طرقاً لتعزيز كفاءة فك التشفير الاستباقي للغات غير الإنجليزية من خلال مقارنة الضبط الدقيق المخصص للمهام، والضبط الدقيق أحادي اللغة، ونماذج n-gram، حيث وجدت أنه في حين أن التقطير المخصص للمهام يحسن الكفاءة ولكنه يفتقر إلى التعميم، فإن نماذج n-gram تحقق باستمرار تسريعاً كبيراً بفضل توليدها السريع للمسودات رغم انخفاض معدلات القبول.
تقدم هذه الورقة "درجة الحساسية السببية" (CSS)، وهي مقياس تدخلي يكشف عن تباينات جوهرية بين أداء نماذج الذكاء الاصطناٍعي السريري في معايير التغطية القياسية وبين استجابتها الفعلية للتغيرات الحرجة في بيانات المرضى، مما يكشف عن ملفات تعريف القدرات الخفية ونقاط العمى في السلامة الشاملة التي تغفل عنها طرق التقييم التقليدية.
تقدم هذه الورقة البحثية "شبكة الترتيب المثبتة بالمعايرة" (GON)، وهي نموذج تلافيفي زمني يحل مشكلة الغموض عبر الأنظمة في تقييم القدرة على التنبؤ من خلال ربط الدرجات الترتيبية بإحداثيات ثابتة، مما يتيح نقل تمثيلات متسقة للقدرة على التنبؤ من الديناميكيات الحتمية المهيكلة إلى الضجيج العشوائي غير المهيكل عبر مختلف الأنظمة الديناميكية.
تقترح هذه الورقة إطار عمل متيناً للتواصل بين النماذج يحسن من التمثيلات النسبية التقليدية عبر تعلم نماذج أولية لمرتكزات دلالية واستخدام مقياس تشابه مدرك للهندسة، مما يتيح نقلاً مستقراً للمعلومات يكاد يكون خالياً من الفقد بين البنى العصبية غير المتجانسة.
تُعد ScaleMAP طريقة مبتكرة لتقليل الأبعاد تحافظ على كل من الكثافة المحلية وبنية الجوار في التضمينات منخفضة الأبعاد عن طريق تطبيع الإزاحات الزوجية باستخدام أنصاف أقطار محلية، مما يستعيد بفعالية الهياكل المتفرقة والتباينات الواسعة في الكثافة التي غالباً ما تُفقد أو تُشوه في التقنيات الحالية مثل UMAP وDensMAP.
تقدم هذه الورقة AMNESIA، وهي أول مجموعة اختبار مفتوحة المصدر وواسعة النطاق لعملية "إلغاء التعلم" (unlearning) في المجال الطبي، وتضم أكثر من 70,000 زوج من الأسئلة والأجوبة من 11 فئة من الأمراض، والتي تكشف أن طرق إلغاء التعلم الحالية تؤدي دون قصد إلى تدهور المعرفة بالحالات السريرية المشتركة عند إزالة بيانات مريض فردي.
تقدم هذه الورقة آلية تخطيط للخصوصية التفاضلية تعتمد على التحويلات السريعة، والتي تحقق أحدث ضمانات الخصوصية والمنفعة مع تحسين وقت التشغيل بشكل كبير، مما يؤدي إلى أول خوارزمية سريعة للمربعات الصغرى العادية ذات الخصوصية التفاضلية.