22512 ورقة بحثية
تقدم هذه الورقة البحثية EELMA، وهو إطار عمل قائم على نظرية المعلومات لتقدير تمكين وكيل النموذج اللغوي من خلال تفاعلات نصية متعددة الأدوار، مما يثبت أن هذا المقياس غير المرتبط بهدف محدد يرتبط بفعالية بالأداء في المهام ويحدد اللحظات المحورية للقدرات العامة عبر بيئات متنوعة.
تُعد SpeedCP خوارزمية سريعة ومستقرة تسد الفجوة بين الوعد النظري والتكلفة الحسابية الباهظة للتنبؤ الشرطي القائم على فضاءات ريج (RKHS) من خلال حساب مسار الحل الكامل بكفاءة ودمج التضمينات منخفضة الرتبة، محققةً تسريعاً بمقدار 40 ضعفاً وفترات زمنية أقصر بنسبة 30% مقارنة بالطرق السابقة.
تتقصى هذه الورقة البنية الهندسية لتمثيلات نماذج لغة البروتين باستخدام سرعة الجذر التربيعي وترشيحات الرسم البياني، كاشفةً أن النماذج تشفر السمات الهيكلية بشكل غير خطي عبر الطبقات مع بلوغ الدقة المثلى قبيل الطبقة الأخيرة، بينما تواجه صعوبة في الحفاظ على العلاقات السياقية بعيدة المدى.
تقترح هذه الورقة البحثية "التغذية الراجعة في الموقع"، وهي نموذج تعاوني يقوم فيه المستخدمون بتعديل استجابات النماذج اللغوية الكبيرة مباشرةً لتوجيه عمليات التحسين، مما يثبت من خلال الاختبارات المعيارية والدراسات الخبيرة أن هذا النهج يحقق تصحيحاً للأخطاء أكثر موثوقية، ورضا أعلى للمستخدمين، وإجهاداً أقل مقارنة بالتغذية الراجعة التقليدية متعددة الجولات.
تقدم هذه الورقة البحثية فقدان التباين المدرك لحالة الروبوت (RS-CL)، وهو تقنية خفيفة الوزن لتنظيم التمثيل تعمل على محاذاة تمثيلات نماذج الرؤية واللغة والعمل مع حالات الاستقبال الحسي الخاص بالروبوت، مما يحسن الأداء بشكل كبير في كل من معايير الاختبار للمناولة في البيئات المحاكية والواقعية.
تقترح هذه الورقة نهجاً مبتكراً يجمع بين التحكم في المخاطر الخالي من التوزيع والإنهاء المبكر الديناميكي لمنع السياقات الضارة من خفض أداء النماذج اللغوية الكبيرة إلى ما دون خط الأساس لتعلم الصفر، مع تحسين الكفاءة والدقة في آن واحد على المدخلات المفيدة.
تقدم هذه الورقة دراسة تجريبية منضبطة تُظهر أن استخدام أزواج دلالية إيجابية منسقة يدويًا (نماذج مختلفة من الفئة نفسها) للتدريب المسبق ذاتي الإشراف يحسن باستمرار من القدرة على التعميم ويستحث ثباتات أوسع مقارنة بالأزواج الإيجابية المعززة قياسيًا، مع استفادة طرق التعلم التبايني مثل SimCLR بشكل أكبر.
تتناول هذه الورقة البحثية مشكلة عدم المعايرة في النماذج التوليدية من خلال صياغة المعايرة كمسألة تحسين مقيدة، وتقديم هدفين قابلين للتنفيذ لضبط المعلمات الدقيقة — وهما خسارة الاسترخاء وخسارة المكافأة — اللذين يعملان بفعالية على مواءمة توزيعات أخذ العينات مع القيود الإحصائية المرغوبة عبر تطبيقات متنوعة ونماذج واسعة النطاق.
تقدم هذه الورقة سياسات المسار التوليدية (GTPs)، وهي إطار عمل موحد للتعلم المعزز غير المتصل يسد الفجوة بين نماذج الانتشار البطيئة ونماذج الاتساق السريعة من خلال تعلم خرائط حل المسار القائمة على المعادلات التفاضلية العادية ذات الزمن المستمر، محققةً أداءً هو الأفضل في فئته على معايير D4RL بما في ذلك درجات كاملة في مهام AntMaze الصعبة.
تقترح هذه الورقة سياسة "اتبع القائد المضطرب" (Follow-the-Perturbed-Leader) فعالة لمشكلة "المتعدد الأذرع المنفصلة" (decoupled multi-armed bandit) تحقق ضمانات "الأفضل من العالمين" — وهي ندم ثابت في الإعدادات العشوائية وندم أمثل بمقدار في الإعدادات التنافسية — مع إلغاء الحاجة إلى التحسين المحدب وإجراءات إعادة أخذ العينات لتقليل التكاليف الحسابية بشكل كبير.