22512 ورقة بحثية
تجادل هذه الورقة الموقفة بأن مجتمع تحليل البقاء قد اعتمد بشكل مفرط على مقاييس غير متوافقة مثل مؤشر التمييز (C-index)، وتحث الباحثين على اعتماد ممارسات تقييم تأخذ في الاعتبار صراحةً افتراضات الرقابة وتتماشى مع أهداف نمذجة محددة لتجنب الاستنتاجات المضللة.
تقدم الورقة البحثية PersonaAgent، وهو إطار عمل مبتكر يعزز وكلاء النماذج اللغوية الكبيرة من خلال دمج وحدات ذاكرة وأفعال مخصصة موجهة بشخصيات مستخدمين ديناميكية، مما يحقق توافقاً فائقاً مع التفضيلات في الوقت الفعلي وأداءً مصمماً خصيصاً عبر استراتيجية تحسين في وقت الاختبار.
تقدم هذه الورقة البحثية TrojanTO، وهو أول هجوم باب خلفي على مستوى الإجراء ضد نماذج تحسين المسار (Trajectory Optimization)، والذي يتغلب على قيود الهجمات القائمة على المكافأة من خلال توظيف التدريب التبادلي وتسميم المسار الدقيق لتعطيل بنيات تحسين المسار المتنوعة بفعالية وبأدنى ميزانية للهجوم.
تقدم هذه الورقة إطار عمل لدمج النماذج متمحور حول العصبونات، يعامل الدمج كمسألة مطابقة تمثيل من خلال تجميع العصبونات الوسيطة واستخدام درجات الإسناد لمحاذاة الميزات البارزة، محققاً أداءً فائقاً على الطرق الحالية — لا سيما في سيناريوهات التعلم الصفري (zero-shot) والبيانات غير المتماثلة (non-IID) — عبر بنيات متنوعة مثل VGGs وResNets وViTs دون الحاجة لإعادة التدريب.
تقترح هذه الورقة إطار عمل للشبكات العصبية الرسومية القابلة للتفسير، المعززة بتنظيمات "لازو المجموعات" (group lasso) و"لازو المجموعات المتناثرة" (sparse group lasso) للتنبؤ بالألفة بين المركب والبروتين من خلال الاستفادة من أزواج المنحدرات النشطة، مما يؤدي إلى تحسين دقة التنبؤ وتحديد البنى الجزيئية الفرعية الحرجة لاكتشاف الأدوية.
تُثبت هذه الورقة أن تعزيز مجموعات بيانات التدريب ببيانات اصطناعية ناتجة عن الذكاء الاصطناعي التوليدي، بما في ذلك طريقة مبتكرة تسمى "نيماي" (Nimai)، يمكن أن يحسن بشكل كبير من أداء وقدرة التصنيفات الأمنية القائمة على التعلم الآلي على التكيف، لا سي fact في البيئات محدودة البيانات، مع تحديد خصائص معينة للبيانات قد تعيق مثل هذه التحسينات.
تثبت هذه الورقة أن التدرج النزولي في الشبكات الأمامية ذات العرض المحدود يحقق تقارباً خطياً محلياً تحت خسارة التربيع من خلال إثبات أن نواتج تانغنت العصبية (Neural Tangent Kernel) الموجبة والمستقرة لـ "ليبتشيتز" تستحث متباينة "بولياك-لوجاسيفيتش" محلية، وهي آلية تم التحقق من صحتها تجريبياً من خلال التحليل الطيفي وحساسية حجم الخطوة على مجموعات بيانات MNIST وCIFAR-10.
تقدم هذه الورقة إطار عمل "الوصفة ثم الاختيار" (PS)، وهو إطار معياري يبني مكتبة من السياسات الممكنة ويستخدم أشجار السياسات المثلى القائمة على البيانات لاختيار السياسة المثلى ديناميكيًا لمتغيرات مصاحبة محددة، مما يؤدي إلى التفوق على نهج السياسة الواحدة في سياقات التحسين العشوائي السياقي ذات الأداء غير المتجانس.
تقترح هذه الورقة إطار عمل جديد للتعلم النشط لمحاكاة الديناميكا الجزيئية خشنة الحبيبات القائمة على التعلم الآلي، والتي تستعلم ديناميكياً عن بيانات الذرات الكاملة أثناء المحاكاة لتصحيح تدهور النموذج في المناطق التشكيلية غير الممثلة كفاية، مما أدى إلى تحسن بنسبة 33.05% في مقاييس "واسرشتاين-1" لبروتين "تشينيولين".
تثبت هذه الورقة نظرياً أن تحسين السياسة النسبي للمجموعات (GRPO) مع نموذج مكافأة المخرجات يكافئ نموذج مكافأة العملية، وتحدد خللاً في تعامله مع الخطوات غير المتوازنة، وتقترح تعديلاً بسيطاً (-GRPO) يحسن أداء الاستدلال وكفاءة التدريب بشكل كبير دون الحاجة إلى نماذج مكافأة عملية صريحة.