cs.LG

Riemannian Diffusion Models on General Manifolds via Physics-Informed Neural Networks

تقترح هذه الورقة إطاراً عاماً لنماذج الانتشار الريمانية يتغلب على تحدي عدم توفر نوى حرارية ذات صيغة مغلقة من خلال استخدام الشبكات العصبية المستنيرة بالفيزياء لحل معادلة الحرارة على المتشعب، مما يتيح نمذجة توليدية قائمة على الدرجة (score-based) بشكل فعال على متشعبات متنوعة مثل $S^2$ و $SO(3)$ و $\mathrm{SPD}(n)$.

Remembering by Reconstructing: Domain Incremental Learning With Test-Time Training on Video Streams

تقترح هذه الورقة إطار عمل جديد للتعلم التزايدي للمجالات يستفيد عمدًا من النسيان الكارثي عبر محولات "LoRA" متخصصة، ويستعيد معرفة المجال عبر التدريب في وقت الاختبار عبر الإنترنت على مشفر تلقائي مقنع ذاتي الإشراف، مما يجعله فعالًا بشكل خاص لتدفقات الفيديو غير المستقرة في العالم الحقيقي.

Don't Fool Me Twice: Adapting to Adversity in the Wild with Experience-Driven Reasoning

تقترح الورقة البحثية إطار عمل للتعلم المستمر بعنوان "لا تخدعني مرتين" (Don't Fool Me Twice)، والذي يُمكّن الوكلاء المتجسدين المحمولين من التكيف مع الشدائد غير المرئية والخاصة بالتجسيد عبر الجمع بين مراقبة الاضطرابات عبر الإنترنت، والاستنتاج باستخدام نماذج الرؤية واللغة، وانحدار النواة، للتعلم من الحالات الشاذة وتحسين التخطيط والتعافي في المستقبل.

SWIM: Single-Instance Whole-Body Imitation for swiMming

تقترح هذه الورقة البحثية طريقة SWIM، وهي طريقة جديدة للتعلم بالتقليد أحادي الحالة تمكن الشخصيات القائمة على الفيزياء من توليد حركات سباحة قوية، وقابلة للتعميم، وفعالة من حيث البيانات عبر التغلب على تحديات التنسيق الكامل للجسم، والتفاعلات السائلة المتقلبة، وبطء المحاكاة.

Not All Synthetic Data Is Yours to Learn From

تُثبت هذه الورقة أن التدريب الذاتي الخالي من التلقين يمكنه تحسين قدرات النماذج اللغوية فقط عندما تكون البيانات الاصطناعية متوافقة مع النموذج الطالب، مما يكشف أن مثل هذا التدريب يضخم المعرفة الكامنة الموجودة بالفعل بدلاً من استيراد بنية جديدة، بينما يفصل في الوقت ذاته بين مكاسب القدرة وبين الحفظ الحرفي دون أهداف صريحة لإلغاء التعلم.

Scalable Bayesian Inference for Nonlinear Conservation Laws

Generalizing Multi-Scale Time-Series Modeling with a Single Operator

تقدم الورقة البحثية SiGMA، وهي بنية مبتكرة تتغلب على قيود القياس الثابت والمنفصل في نمذجة السلاسل الزمنية متعددة المقاييس من خلال توظيف نواة غاوسية منفصلة قابلة للتعلم، مما يحقق دقة تنبؤية هي الأفضل حالياً مع تحسين سرعة التدريب وتقليل استهلاك الذاكرة بشكل كبير.

FOCUS: Forcing In-Context Object Localization through Visual Support Constraints and Policy Optimization

تقدم هذه الورقة البحثية FOCUS، وهو إطار تدريب ثنائي المراحل يجمع بين قيود الدعم البصري وتحسين السياسة النسبي للمجموعات (GRPO) لتحقيق تحديد موضعي للأجسام داخل السياق بشكل قوي ومستقل عن الفئة دون إشراف صريح، مما يمكّن نموذجاً بـ 7 مليارات معلمة من التفوق بشكل ملحوظ على نماذج أكبر تصل إلى 72 مليار معلمة.

Learning Hyperspherical Time-Frequency Representations for Time-Series Out-of-Distribution Detection

تقترح هذه الورقة إطار عمل لتعلم التمثيل الزمني-الترددي فوق الكروي باستخدام أهداف "فون ميسيس-فيشر" لتحسين الكشف عن البيانات خارج التوزيع في البيانات السلاسل الزمنية، مما يظهر مكاسب أداء متسقة مقارنة بالنماذج المرجعية القوية عبر أرشيفات UCR وUEA.

TabCausal: Pretraining Across Causal Environments for Tabular Causal Discovery

يُعد TabCausal نموذجًا تأسيسيًا للاكتشاف السببي القائم على البيانات، يستفيد من استراتيجية بناء المهام الديناميكية للتدريب المسبق عبر بيئات سببية متنوعة، محققًا أداءً متفوقًا وقابلًا للنقل في استعادة البنى السببية من كل من المعايير الاصطناعية والدلالية مقارنة بالأساليب الحالية.