22999 ورقة بحثية
توسع هذه الورقة نظرية "روبنز-سيجموند" للتعامل مع شبه المارتينجالات ذات الحدود من الدرجة صفر القابلة للجمع التربيعي (بدلاً من القابلة للجمع) بموجب فرضية طفيفة جديدة، مما يؤدي إلى إرساء معدلات تقارب وحدود تركيز جديدة تحقق أول ضمانات للتقارب شبه المؤكد لتعلم مع التقريب الدالي الخطي.
تقدم هذه الورقة نموذج لغة انحدار (RLM) موحداً وخفيف الوزن يستفيد من مشفر نموذج لغة كبير (LLM) مجمد للتنبؤ بدقة بمقاييس تنفيذ الكود المتنوعة — بما في ذلك بصمة الذاكرة، وزمن الاستجابة، والدقة — عبر لغات برمجة متعددة ومنصات أجهزة مختلفة، متفوقاً بذلك على النهج السابقة القائمة على هندسة الميزات والرسوم البيانية دون الحاجة إلى تخصيص خاص لكل مهمة.
تقترح هذه الورقة إطار عمل لتعلم تعزيزي متعدد الوكلاء يتسم بكفاءة الطاقة والاتصال، يدمج انحدار العملية الغاوسية الزمكاني مع منسق مركزي، لرسم خريطة لانتشار نهر دورو عبر عدة أيام بفعالية، مما يظهر دقة وقابلية توسع فائقتين مقارنة بالمعايير المرجعية الحالية.
تقترح هذه الورقة نهجاً للتعلم المعزز القائم على التفنيد، والذي يولد سيناريوهات تدريب عدائية بناءً على مواصفات المنطق الزمني الإشاري لتحسين الامتثال لقواعد حركة المرور البحرية في تخطيط حركة السفن ذاتية القيادة.
توضح هذه الورقة الآلية الكامنة وراء نجاح "أخذ عينات تومسونون" (Thompson Sampling) من خلال إعادة صياغته كخوارزمية تحسين عبر الإنترنت تحاكي سياسة "بيلمان" المثلى المستقرة، حيث يتم تنظيم الجشع بواسطة عدم اليقين المتبقي، مما يقدم إطاراً جديداً لفهم ديناميكياته وتحسين السياسات.
تُعد EAGer طريقةً لتوسيع نطاق الاستدلال أثناء وقت الاستنتاج، وهي خالية من التدريب ومعتمدة على الإنتروبيا، حيث تقوم بتخصيص الموارد الحسابية ديناميكيًا عبر تفرع مسارات الاستدلال فقط عند الرموز ذات عدم اليقين العالي، مما يقلل من استخدام الرموز بنسبة تصل إلى 64% مع تحسين أداء Pass@k بشكل كبير في اختبارات الاستدلال المعقدة.
تُظهر هذه الدراسة التجريبية أن عدم اليقين القائم على تباين إسقاط مونت كارلو (MC Dropout) يُظهر ارتباطات عالمية ضعيفة وارتباطات حدودية مهملة مع أخطاء التجزئة في تصوير الرنين المغناطيسي لأورام الدماغ ثنائية الأبعاد، مما يشير إلى أنه يقدم فائدة محدودة لتحديد موقع الخطأ مقارنة بتمثيلات عدم اليقين البديلة.
تقدم هذه الورقة "الدقة الموزونة" (WA) كمعيار تقييم حساس للتكلفة وإطار عمل عام لإعادة التوزين بهدف مواءمة تحسين المصنف الثنائي مع تقليل "إجمالي تكلفة التصنيف"، مما يثبت أن تعظيم الدقة الموزونة يكافئ تقليل التكاليف في ظل التكاليف الموحدة ويظل قويًا عبر سيناريوهات عدم التوازن والتكلفة المتنوعة.
تنتقد هذه الورقة القيود المتعلقة بالدقة الواقعية لتقييمات MusicQA الحالية لنماذج اللغة الصوتية الكبيرة، وتقدم معياراً جديداً وبروتوكولاً مهيكلاً باستخدام درجات الدقة والاستدعاء وF1 لتقييم فهم الموسيقى موضوعياً عبر ست مهام استرجاع على ثلاث مجموعات بيانات متنوعة.
تقدم الورقة البحثية SynthTools، وهو إطار عمل يعتمد كلياً على النماذج اللغوية الكبيرة (LLM) يقوم تلقائياً بتوليد والتحقق من وتوسيع نطاق بيئات ومهام الأدوات الاصطناعية المتنوعة، مما يثبت أن تدريب الوكلاء على هذه البيانات الاصطناعية يحسن بشكل كبير أداءهم في استخدام الأدوات في الاختبارات المعيارية الواقعية.