22898 ورقة بحثية
تقدم الورقة البحثية IRIS، وهي خوارزمية جديدة لتعلم المتشعبات مصممة لتصور البيانات البيولوجية الطبية عالية الأبعاد ذات البعد الزمني من خلال الحفاظ في آن واحد على الترتيب الزمني وطوبولوجيا المتشعب، مما يتغلب على قيود الطرق الحالية مثل t-SNE وUMAP في التقاط العمليات البيولوجية الديناميكية.
تقترح هذه الورقة إطار عمل لمشفر تلقائي غير متأثر بالتبديل يتعلم تمثيلات كامنة منخفضة الأبعاد وديناميكيات عيانية للأنظمة المجهرية غير المرتبة من خلال إعادة بناء توزيعات الكتلة بدلاً من العينات ذات الترتيب الثابت، مما يظهر أداءً قوياً عبر أنظمة الجسيمات، والسوائل، وبيانات فيديو البوليمرات.
تجادل هذه الورقة بأن المنحدرات النشطة هي في الغالب نواتج اصطناعية للمثيل الجزيئي والمقياس المختارين وليست خصائص جزيئية جوهرية، حيث تثبت من خلال اختبار معياري مكون من ست خطوات عبر خمسة عشر تكويناً أن التضمينات المختلفة تشفر جوانب متميزة من التعرف الجزيئي، مما يحدد ضمنياً ما يشكل المنحدر النشط.
تقدم الورقة البحثية SCOUT، وهو إطار عمل ديناميكي يعمل على تحسين الدفاع ضد حقن الأوامر (prompt-injection) عبر التخصيص التكيفي لكواشف متباينة وأحكام نماذج لغوية كبيرة (LLM judges) بناءً على الموثوقية والكمون المتوقع، مما يحقق انخفاضات كبيرة في معدلات نجاح الهجمات والكمون مقارنة بنهج الكاشف الواحد الثابت أو نهج الحكم الذي يعمل دائماً.
يُعد CoMem إطار عمل مبتكر يعمل على فصل إدارة الذاكرة عن سير عمل الوكيل الأساسي باستخدام خط أنابيب غير متزامن بفاصل -خطوة وتدريب مدفوع بالمكافأة لتقليل زمن انتقال الاستدلال بشكل كبير مع الحفاظ على أداء عالٍ في المهام الوكيلية ذات السياق الطويل.
تؤسس هذه الملحوظة المحاضرية التكافؤ النظري بين نماذج الاختيار المنفصل الديناميكية القياسية الاقتصادية ونماذج التعلم المعاكس للتعزيز المنظم بالإنتروبيا، حيث تقارن بشكل منهجي بين أساليب التحديد والأساليب الحسابية الكلاسيكية وبين مناهج تعلم الآلة الحديثة لتوضيح أهدافها، وحدودها، وضمانات التحديد الخاصة بها لاستعادة المكافأة غير المتصلة.
يُعد "فوركاست كومباس" (FoCo) إطار عمل ذاكرة تكيفي قائم على العوامل، يعمل على تعزيز التنبؤ الوكيل عبر تنظيم الخبرات في عوامل تنبؤية ومبادئ استدلالية قابلة لإعادة الاستخدام، مما يمكّن الوكلاء من صقل دقة احتمالاتهم ومعايرتها بشكل تكراري من خلال التحليل الاسترجاعي.
تحلل هذه الورقة الاستدلال البايزي في الشبكات العصبية متعددة الطبقات (MLPs) غير الخطية والعميقة ضمن نظام مشترك واسع النطاق من المعلمات والبيانات، كاشفةً أن التوزيعات البعدية التنبؤية تكافئ طرق النواة المعتمدة على البيانات عند الدرجة الأولى، ومحددةً معياراً متى يؤدي تعزيز العمق الفعال إلى تحسين دليل النموذج.
تقدم الورقة البحثية MLIPilot، وهو إطار عمل للبحث الآلي حيث تقوم نماذج لغوية كبيرة قادرة على استدعاء الأدوات بتحسين الجهود الكامنة بين الذرات المتعلمة آلياً بشكل مستقل عبر اقتراح تغييرات برمجية وإدارة وظائف الحوسبة عالية الأداء تحت قيود فيزيائية صارمة، مما نجح في تحويل النماذج المرجعية الأولية غير المستقرة إلى نماذج بجودة الإنتاج عبر مختلف المعايير الجزيئية والدورية.
تقترح الورقة البحثية DensityFlow، وهو إطار عمل توليدي يستفيد من المعادلات التفاضلية العادية العصبية (Neural ODEs) ودرجة كثافة قابلة للتفاضل لإنتاج تفسيرات مضادة قوية على البيانات الجدولية عبر التنقل في متشعبات عالية الثقة، مما يضمن الصلاحية في ظل تعدد النماذج مع تقليل تكاليف الاستعلام بشكل كبير مقارنة بالطرق القائمة على المجموعات (ensemble-based methods).