22999 ورقة بحثية
تقترح هذه الورقة خوارزمية مبتكرة تخفف من فجوة التقليد في التعلم بالتقليد المدفوع بالتعلم المعزز القائم على الحالة، وذلك عبر تدريب فضاء تضمين مشترك بواسطة التعلم التبايني ذاتي الإشراف لضمان اعتماد سياسات المعلم فقط على المعلومات القابلة للملاحظة، مما يمكّن سياسات الطالب عالية الأداء دون الحاجة إلى ضبط دقيق باستخدام التعلم المعزز بعد التدريب.
تقدم الورقة البحثية نظام CLANE، وهو نظام تعلم مستمر متكامل (end-to-end) تم نشره على أجهزة Intel Loihi 2 العصبية التي تستخدم الكاميرات الحدثية للتعرف على حركات البشر الجديدة وتعلمها بكفاءة عالية في استهلاك الطاقة وزمن انتقال منخفض، محققاً دقة بنسبة 70.4% على مجموعة بيانات THU E-ACT-50 مع التفوق بشكل كبير على النماذج المرجعية التقليدية القائمة على وحدات معالجة الرسومات الطرفية (edge GPU).
تتقصى هذه الورقة ما إذا كان بإمكان السمات الوصفية الميتا-بيانية لمجموعات البيانات تفسير فروق الأداء بين عائلات النماذج الجدولية المختلفة، وتخلص إلى أن نهج السمات الوصفية الميتا-بيانية العالمية يفشل عمومًا في تقديم تفسيرات قوية أو تحسين التنبؤات عبر مجموعات البيانات الـ 51 المتنوعة في معيار TabArena.
تقدم الورقة البحثية \textsc{Conveyance}، وهو إطار تصنيف ودالة فقدان متعددة الاستخدامات تستفيد من العلاقات الشبيهة بالرسوم البيانية بين الفئات لتحسين أداء النموذج في المساحات المهيكلة مثل التصنيف الهرمي والانحدار الترتيبي، متفوقةً على النماذج المرجعية المتخصصة أو موازية لها في الأداء دون الحاجة إلى توزيعات مشتركة معقدة أو ضبط يدوي.
تقترح هذه الورقة إطار عمل ثنائي المراحل يجمع بين مُتمم بيانات قوي يعتمد على المشفر التلقائي المتغير (VAE) ونموذج انتشار في الفضاء الكامن، مما يثبت أن نقل النمذجة التوليدية إلى تمثيل كامن متعلم يحسن بشكل كبير من استقرار وجودة استكمال البيانات مقارنة بنموذج الانتشار في فضاء البكسل تحت مستويات عالية من البيانات المفقودة.
تُعد AdaDPO نسخة ذاتية التكيف من تحسين التفضيل المباشر (DPO)، حيث تُدخل معاملات تدرج لكل زوج لموازنة أحجام التحديثات للاستجابات المفضلة وغير المفضلة، مما يؤدي إلى تصحيح انحياز التعلم غير المتماثل المتأصل في DPO وتحقيق أداء محاذاة فائق مع حد أدنى من التغييرات في التنفيذ.
تقترح الورقة البحثية BiCo، وهو إطار عمل لا يتطلب تدريباً يعمل على تحسين نقل متجه المهمة (task-vector) بين النماذج المختلفة سابقة التدريب من خلال صياغة العملية كمسألة محاذاة في فضاء مزدوج تعتمد على التفاعلات الثنائية الخطية، مما يجعله يتفوق على الأساليب الحالية عبر مختلف البنيات دون الحاجة إلى ضبط دقيق إضافي.
تُثبت هذه الورقة أن تدريب اتساق التنشيط (ACT)، الذي يفرض تمثيلات داخلية متطابقة للمطالبات النظيفة والمطالبات العدائية، يخفف بفعالية من هجمات كسر الحماية التكيفية في نماذج الاستدلال من خلال إنشاء اتجاه توجيه خطي قابل للتفسير للرفض مع الحفاظ على الأداء الحميد.
تجسّر هذه الورقة البحثية الفجوة بين الاحتمال الأقصى والنقل الأمثل من خلال إثبات أن مُقدِّرات "غرووموف-واسرشتاين" شبه المسترخية غير المنتظمة تستعيد باستمرار معاملات نموذج الكتل العشوائية، وعند تعزيزها بآليات تعزز التناثر، تُمكِّن من الاستدلال والاختيار النموذجي المتزامن بكفاءة دون الحاجة إلى عمليات بحث شبكية مكلفة.
تقترح هذه الورقة إطار عمل جديداً للتحسين المتعدد على المتشعبات يتكون من مرحلتين، يعيد صياغة مشكلة ملاءمة عدد غير معروف من المستويات الفائقة كمسألة تعلم غير خاضع للإشراف على كرة وحدة، وذلك باستخدام عملية توقع تعظيم (EM) ريمانية مع نوى ذات ذيول ثقيلة وتهيئة تقدير كثافة مسقطة لتحقيق حلول قوية ومتسقة هندسياً تتفوق على الأساليب الحالية المتطورة.