22512 ورقة بحثية
تقدم هذه الورقة البحثية SSMoE، وهو إطار عمل لا يتطلب تدريباً يستفيد من المتجهات الذاتية لمصفوفات أوزان الخبراء عبر تحليل القيم المفردة (SVD) لمعالجة مشكلة انهيار الخبراء في نماذج خليط الخبراء المتفرقة بفعالية وتعزيز أدائها عبر المهام المتنوعة.
تقترح هذه الورقة الاستفضاء من الرتابة الضعيفة التقريبية الملحوظة في المعايير العامة لتحسين التعلم بلقطات قليلة في المهام الجديدة، وذلك عبر تقليم فئات النموذج والتكيف مع هندسات المقايضة من خلال التحوط على الجبهة ضمن نقل التعلم وتجميع اختيار النماذج.
يُعد Does CCL إطار عمل مبتكرًا يتيح اتصالات جماعية فعالة في العناقيد غير المتجانسة متعددة الموردين من خلال تقديم نقل P2P خالٍ من نسخ المضيف إلى الجهاز، وآلية مُتواصل حدودي مستقلة عن المورد، وتجريدًا للهيكل الهرمي، محققًا بذلك عرض نطاق ترددي أعلى بـ 19 مرة من Gloo وتسريع تدريب النماذج اللغوية الكبيرة بنسبة 16.9%.
تقدم هذه الورقة إطار عمل تفاضلي للتنسيق بين الوكلاء يستفيد من الأغلفة الخلوية (cellular sheaves) لتحديد القيود المتبادلة بين الوكلاء ضمن عملية تحسين قائمة على خوارزمية ADMM، مما يمكّن الوكلاء ذوي الرؤى المحلية المحدودة من تعلم حلول عالمية قوية لمهام مثل تحديد المسار، وتصنيف الصور، ولعبة السودوكو، مع تقديم قدرة أكبر على التفسير والأداء مقارنة بالنماذج المرجعية القياسية القائمة على تمرير الرسائل.
تقدم هذه الورقة شبكة عصبية رسومية متعددة الشبكات لميكانيكا الأجسام الصلبة توظف استراتيجية تقليص تعتمد على الفيزياء لإعطاء الأولوية لمناطق الإجهاد العالي أثناء عملية خفض العينات، مما يعزز الدقة والاستقرار في المحاكاة طويلة المدى للمواد الصلبة غير الخطية والعابرة مقارنة بالاستدلالات الهندسية القياسية.
تقدم هذه الورقة الترميز التنبؤي بـ "لاغرانج المعزز" (PC-ALM)، وهو خوارزمية تعلم محلي تراكم أخطاء القيود في مضاعفات لاغرانج المحلية لكل طبقة لتحقيق تدرجات مكافئة تماماً للانتشار العكسي ونشر ائتمان "باليستي" في الشبكات العميقة، مما يتغلب بذلك على قيود الأداء التي تواجهها الترميز التنبؤي القياسي في البنى العميقة والضيقة.
تُثبت هذه الورقة أنه في مسألة "بانديت" بايزي متعدد الأذرع، حيث يستوفي التوزيع القبلي شرط ذيل علوي خطي (مما يعني وفرة في الأذرع القريبة من المثالية)، يحقق سياسة "سوفتمكس الجشعة الملدنة" ندم بايز قريباً من المثالية عبر الاستفادة بفعالية من الاحتمالية العالية لاختيار البدائل القريبة من المثالية، مما يوفر تفسيراً نظرياً لنجاح التحديثات غير المعتمدة على عدم اليقين في أساليب مثل RLVR وGRPO.
تقدم هذه الورقة إطار عمل لتحليل متى تؤدي التحسينات في نماذج التنبؤ بالتعلم الآلي إلى نتائج أفضل على مستوى المنصة في مزادات المزايدة التلقائية، مما يكشف أنه بينما يتحقق رتابة الإيرادات للمزايدين بنظام التكلفة المستهدفة لكل إجراء (tCPA) في مزادات السعر الأول بدون قيود الميزانية، إلا أنه يمكن كسر هذا الرتابة بواسطة تنسيقات السعر الثاني أو قيود الميزانية.
تُعد UniRTL إطار عمل للتدريب المسبق متعدد الوسائط يوحد بين أكواد RTL ومخططات تدفق البيانات التحكمية من خلال المحاذاة دقيقة التفاصيل والتدريب الهرمي لإنتاج تمثيلات قوية تتفوق على النهج الحالية أحادية الوسائط في مهام أتمتة تصميم الأجهزة.
تقدم هذه الورقة البحثية "توجيه ستيفل الديناميكي" (dynamic Stiefel routing)، وهو إطار عمل مبتكر لفك تشفير إشارات الدماغ (EEG) عبر المجالات المختلفة، يستخدم مجموعة من مرشحات الإسقاط الخبيرة على متنوء ستيفل (Stiefel manifold) مع توجيه العينات القائم على الانتباه المتقاطع وقيود هيكلية محددة لمنع التدهور إلى مجرد متوسط تجميعي بسيط، مما يحقق تحسينات كبيرة في دقة التوازن عبر مجموعات بيانات متعددة دون الحاجة إلى معايرة المجال المستهدف أو ضبط المعلمات الفائقة الخاصة بكل مجموعة بيانات.