22423 ورقة بحثية
تقترح الورقة البحثية إطار عمل BOAR، وهو إطار توصية متعدد السلوك مشروط بالبيئة يعالج بفعالية الإشارات المساعدة المفقودة وغير الموثوقة لتحسين التنبؤ بالسلوك المستهدف بشكل كبير، لا سيما بالنسبة للعناصر التي تفتقر إلى الملاحظات المساعدة.
تُثبت هذه الورقة أن دمج التسلسلات الهرمية للفئات المستمدة من الأنطولوجيا في التنبؤ بالروابط في الرسوم البيانية المعرفية عبر خسائر دلالية مدركة للتسلسل الهرمي يتفوق بشكل كبير على كل من النماذج القياسية وتلك التي تشفر التسلسلات الهرمية كحواف إضافية في الرسم البياني، محققةً تحسينات ملحوظة في متوسط الرتبة المتبادلة عبر مجموعات بيانات AIFB وCoDEx وBioKG.
تقدم الورقة البحثية TACAN، وهي سياسة وصول ديناميكي للطيف تعتمد على نموذج المحولات (Transformer)، والتي تستفيد من رموز القنوات ومعلومات السياق لتتفوق بشكل كبير على السياسات الجشعة وسياسات التعلم المعزز القياسية في نجاح الوصول عند وجود حزم وفي الموثوقية تحت حركة مرور المستخدم الأساسي المتفجرة، لا سيما عند مستويات الحمل القصوى.
تقترح هذه الورقة نموذج استجابة وذاكرة فيزيائي لديناميكيات التدريب يفسر فعالية مُحسّن "Muon" ويقدم مُحسّن "Bi-Maxwell"، الذي يستخدم نواة ذاكرة ثنائية المقياس الزمني لتحقيق تقارب أسرع في معايير نماذج اللغات الكبيرة.
تقدم الورقة البحثية معادلات بولتزمان العصبية (NBEs)، وهي إطار عمل مبتكر يجمع بين دالات التوزيع العصبية المستوحاة من الفيزياء، وتكامل مونت كارلو مع أخذ العينات بالأهمية، وتحسين التدرج الطبيعي لحل ديناميكيات الجسيمات عالية الأبعاد في الكون المبكر بكفاءة، مما يتيح حسابات دقيقة للمعلمات الكونية مثل العدد الفعال لدرجات حرية النيوترينو النسبوية.
تقترح الورقة البحثية FedCC، وهو خوارزمية للتعلم الاتحادي القائم على التقطير، تعمل على تخفيف حدة انحراف توزيع الملصقات من خلال السماح للعملاء بوسم العينات الغامضة بأنها "غير معروفة" واستخدام ملصقات وهمية مُعايرة، مما يؤدي إلى تفوقها بشكل كبير على الأساليب الحالية في السيناريوهات ذات عدم التجانس الشديد في البيانات.
يُعد AutoSaddler إطار عمل تلقائي يعمل على تحسين أطر عمل وكلاء النماذج اللغوية الكبيرة (LLM) من خلال التشخيص المتكرر لتتبعات الفشل من سجلات التنفيذ وتوليد تصحيحات برمجية مهيكلة، مما يحسن بشكل كبير من متانة الوكلاء وأدائهم في المهام طويلة المدى عبر معايير قياسية متعددة.
تقترح الورقة البحثية "خزان الأهمية" (Reservoir of Importance - RoI)، وهو إطار عمل للتقليم شبه المهيكل خفيف الوزن يستخدم أخذ عينات المجموعات الفرعية القابلة للتفاضل لتعلم أقنعة التناثر مع تقليل كبير في عدد المعلمات وعبء الذاكرة، مما يتيح النشر القابل للتوسع والفعال للنماذج اللغوية الكبيرة.
تقدم هذه الورقة إطار عمل مبتكر يطبق تعلم تمثيل الرسوم البيانية الموجه بتعلم الآلة لتحديد وتصور مجموعات التباين عالية الاحتمالية بكفاءة في شفرات إنترنت الأشياء خفيفة الوزن مثل SIMON وSIMECK، محققةً دقة مثالية ومظهرةً أداء تجميع قوي باستخدام خوارزمية أقرب جيران.
تثبت هذه الورقة أن خطوة عكس DDIM الضمنية الواحدة تشكل برنامجًا محدبًا بقوة عند حد بايز، مما يوفر إطارًا صارمًا وخاليًا من الفرضيات للمصادقة على أخطاء النماذج والقيود الهندسية في نماذج الانتشار سابقة التدريب من خلال تحليل شروط الاستقرار وحدود الانحناء.