22996 ورقة بحثية
تقدم هذه الورقة "مولدات بولتزمان خشنة الحبيبات" (CG-BGs)، وهي إطار عمل يجمع بين النماذج التوليدية القائمة على التدفق وجهود متوسط القوة المتعلمة لتمكين أخذ عينات التوازن بكفاءة وصحة تقاربية للأنظمة الجزيئية الكبيرة في فضاءات إحداثيات خشنة الحبيبات مختزلة.
يُثبت هذا البحث، من خلال التحليل النظري والتحقق التجريبي، أن تجميع تقديرات أهمية الميزات عبر النماذج الفردية داخل مجموعة (ensemble) يُسفر عن نتائج أكثر دقة من تفسير المجموعة ككل، لا سيما بالنسبة للنماذج التعبيرية حيث يكون تقليل المخاطر الزائدة أمراً بالغ الأهمية للاكتشاف العلمي الموثوق.
تقترح هذه الورقة إطار عمل هجين لسياسة التحسين القريبة الكمومية (QPPO) يدمج الدوائر الكمومية ذات المعلمات في شبكة الفاعل لتحسين قدرة الإرسال وإزاحات طور تعديل السعة المتغير (SIM) بكفاءة، مما يعزز بشكل كبير معدلات السرية وسرعة التقارب في الشبكات اللاسلكية المدعومة بتقنية (SIM) مقارنة بطرق التعلم المعزز العميق التقليدية.
تقدم هذه الورقة "التقييم المرجعي المقاوم للنقد"، وهو إطار عمل تنافسي يتيح تقييم النماذج اللغوية الكبيرة الرائدة بما يتجاوز الإدراك البشري من خلال تعريف الصحة عبر عدم قدرة الخصوم على دحض الإجابات، مع استخدام البشر كمدققين محدودين للادعاءات المحلية.
تقدم هذه الورقة البحثية نموذج GICDM (النموذج التوليدي لـ ICDM)، وهو منهج متعدد المقاييس يعمل على التخفيف من ظاهرة "المركزية" (hubness) في فضاءات التضمين عالية الأبعاد لاستعادة موثوقية ومواءمة البشر لمقاييس تقييم النماذج التوليدية القائمة على المسافة.
تقدم هذه الورقة إطار عمل "أوراكل" (oracle) متمحوراً حول العينات لإثبات أن نماذج اللغة ذات الانتشار المنفصل (discrete diffusion language models) ذات الخطوات القليلة تعاني من أخطاء عينة متأصلة وتفشل في تحقيق الصحة التوزيعية حتى مع وجود مزيلات ضجيج مثالية، مما يكشف أن المقاييس القياسية مثل NLL والارتباك (perplexity) لا تضمن دقة أخذ العينات.
تقدم الورقة البحثية خوارزمية التعلم المعزز غير المتصل بالإنترنت "التعلم بـ Q المشروط بالضجيج والمثبت بالتدفق" (FAN)، وهي خوارزمية فعالة للتعلم المعزز غير المتصل بالإنترنت تحقق أداءً رائدًا في المهام الروبوتية من خلال تحسين سياسات التدفق والنقاد التوزيعيين لتتطلب تكرارًا واحدًا وعينة ضجيج واحدة فقط، مما يقلل بشكل كبير من التكاليف الحسابية دون التضحية بالدقة.
تؤسس هذه الورقة نظرية تعلم إحصائي موحدة لتعلم التمثيلات التباينية، حيث تثبت الاتساق الإحصائي لخسارة التباين مع الترتيب الأمثل، وتستنتج حدود التعميم التي تفسر فوائد مجموعات العينات السالبة الكبيرة، وتوفر رابطاً كمياً بين مخاطر التباين الزائدة وعدم المثالية في الاسترجاع.
تقترح هذه الورقة CoAD، وهو إطار عمل جديد وخفيف الوزن يوحد بين نماذج كشف القيم المتطرفة ونماذج الترميز التلقائي المقنع من خلال تصميم تعاوني للتغلب على قيود التعميم وعدم توافق القناع في الطرق الحالية، مما يحقق أداءً فائقاً في اكتشاف الشذوذ في السلاسل الزمنية الدقيقة والممتدة.
تقدم هذه الورقة البحثية نموذج RightNow-Arabic-0.5B-Turbo، وهو نموذج لغوي مفتوح المصدر متخصص في اللغة العربية بـ 518 مليون معلمة، تم بناؤه على نموذج Qwen2.5-0.5B من خلال حقن المفردات والضبط الدقيق المكثف، والذي يحقق أداءً هو الأفضل في فئته بين النماذج التي يقل عدد معلماتها عن مليار معلمة، مع تمكين النشر الفعال على الأجهزة الطرفية عبر التكميم إلى أقل من 400 ميجابايت.