22898 ورقة بحثية
تُثبت هذه الورقة أن طريقة التحديد المتناثر للأنظمة الديناميكية غير الخطية بالصيغة الضعيفة (WSINDy) يمكنها تعلم نماذج معادلات تفاضلية عادية متصلة ودقيقة بفعالية من بيانات ديناميكيات الشبكة المشوبة بالضجيج، وذلك عبر الاستفادة من ظروف أولية متعددة، مما يقدم أداءً فائقاً ورؤى أعمق مقارنة بتقريبات المجال المتوسط التقليدية.
تؤسس هذه الورقة رسميًا تسلسلًا هرميًا لمفاهيم المعايرة لترتيب التصنيفات الاحتمالية، وتثبت أن النماذج الحالية تفتقر غالبًا إلى هذه المعايرة، وتُظهر أن المعايرة تعمل كمقياس جودة متميز وذو قيمة لنماذج المكافأة بما يتجاوز الدقة القياسية.
تقدم هذه الورقة مفهوم عدم التمييز السلوكي المحدود لتوضيح أنه في حين أن تقطير "LoRA" يحسن التشابه الدلالي بين النماذج اللغوية الكبيرة (LLMs) "المعلمة" و"الطالبة" ذات الصندوق الأسود، إلا أنه يفشل في القضاء تماماً على الاختلافات السلوكية القابلة للكشف في الأسلوب والمتانة والمجالات التقنية، مما يستلزم تحولاً من مطابقة المخرجات إلى التقييم التنافسي المدرك للفئات.
تُعد VeriGate امتداداً لنموذج تحسين السياسة النسبي للمجموعات (GRPO) يعتمد على التحقق من البوابة، حيث ينتقل ديناميكياً إلى الإشراف على العمليات ويستخدم المكافآت التراكمية المستقبلية للتغلب على قيود إشارات التحقق الشحيحة، مما يؤدي بشكل كبير إلى تحسين دقة الاستدلال، وتقليل حالات فشل التدرج الصفري، والتخفيف من حدة اختراق المكافأة في النماذج اللغوية.
تقدم هذه الورقة إطار عمل الشبكات التوليدية الحديثة المستخدمة في الفيزياء من أجل النماذج البديلة السريعة وتقدير الكثافة، مع معالجة التحديات في قياس دقتها وإحكامها وقوتها الإحصائية.
تقترح هذه الورقة DisjunctiveNet، وهو إطار عمل موحد شامل (end-to-end) يفرض قيوداً خطية متكاملة صلبة ومعتمدة على المدخلات داخل الشبكات العصبية عن طريق تمثيل القواعد كقيود انفصالية وتطبيق استرخاءات محدبة هرمية لإنشاء طبقات تحسين قابلة للاشتقاق تضمن الالتزام التام بالقواعد.
تقترح هذه الورقة إطار عمل للتعلم التعزيزي متعدد الوكلاء، موزعاً وقابلاً للتوسع، يجمع بين تعلم السياسة المعزز بالحالة وبين التوافق بين الجيران حول مضاعفات لاجرانج لفرض قيود الموارد العالمية بكفاءة في الأنظمة ذات الديناميكيات القابلة للفصل، محققاً قابلية توسع خطية وجدوى مضمونة حيث تفشل أساليب التعلم المستقل والأساليب المركزية.
تُوصّف هذه الورقة إمكانية تعلم التصنيف الاستدلالي الشامل عبر الإنترنت مع فضاءات تسميات غير محدودة من خلال تقديم بنية "شجرة ليتلستون-ليتلستون المقيدة بالمستوى (LCLL)"، مبرهنةً على أن فئات المفاهيم القابلة للتعلم تُظهر إما معدلات خطأ محدودة أو لوغاريتمية، وموسعةً هذه النتائج إلى السياقات اللاأدلية (agnostic) والعشوائية.
توضح هذه الورقة كيف أن التفسير الآلي لنموذج محول صغير مُدرب على خريطة زيتا لمسارات ديك يكشف عن آلية قائمة على المستويات يمكن ترجمتها إلى خوارزمية توافقية قابلة للتحقق بشرياً وصحيحة إثباتياً تسمى خريطة السقالات.
تقدم هذه الورقة حدوداً محسنة لـ "المينيمكس" (minimax) والاحتمالية العالية لتقدير التوزيعات الاحتمالية المنفصلة تحت معيار ، مما يحل تساؤلات مفتوحة من كونتوروفيتش وباينسكي (2025) عبر تقديم حد مخاطرة تجريبي كامل، وتوصيف التوزيع المتطرف في الحالة الأسوأ، وإظهار نتائج تجريبية مشجعة.