22999 ورقة بحثية
تقدم هذه الورقة طبقة تيكونوف (Tikhonov layer)، وهي مكون لشبكة عصبية رسومية صُمم ليكون قابلاً للتفسير بطبيعته من خلال الربط المباشر بين معاملاته المتعلمة ومساهمات ميزات محددة وتضاريسية، مع تحقيق مجالات استقبال عالمية ومضاهاة أداء النماذج المرجعية غير الشفافة في الوقت ذاته.
تقترح هذه الورقة وتحلل إعادة التشغيل الدوري للزخم الخارجي في التحسين الموزع كفء الاتصال، مبرهنةً على أن هذه الآلية تتخلص من الزخم القديم لاستغلال إلغاء الطور، مما يؤدي إلى توسيع النطاق المستقر للمعلمات الفائقة وتحسين التقارب في الإعدادات عالية الأبعاد.
تقترح هذه الورقة خوارزمية \texttt{KT-MFLD}، وهي خوارزمية جديدة تقلل من التعقيد الحسابي لديناميات لانجفنز ذات المجال المتوسط من إلى عن طريق توظيف ترقيق النواة لتقييد تفاعلات الجسيمات بمجموعة أساسية (coreset) بحجم ، مع الحفاظ على نفس ضمانات التقارب الخاصة بالطريقة الأصلية.
تقترح هذه الورقة صياغة المربعات الصغرى الجزئية (PLS) كآلية انتباه ذاتي خطية لتمكين دراستها ضمن نموذج الشبكة العصبية، مما يشير إلى أن تقليل أبعاد المربعات الصغرى الجزئية يعني أن الانتباه الذاتي يدمج بطبيعته تطبيع الأبعاد لتحسين التعلم.
تقدم هذه الورقة أول برهان نظري على أن نموذج "ترانسفورمر" متعدد الطبقات، تم تدريبه باستخدام منهجية "Log-ICoT" مبتكرة، يمكنه تعلم الـ "-parity" بشكل مثبت بكفاءة عينات متعددة الحدود ومراحل تدريب لوغاريتمية، مما يحقق كفاءة العينات الخاصة بأسلوب "سلسلة الأفكار" (Chain-of-Thought) الصريح مع التخلص من عبء الاستدلال الخاص به عبر استيعاب الخطوات الوسيطة داخلياً.
تقترح هذه الورقة Under-Cali، وهو إطار عمل للمعايرة ثنائي الخبراء مدفوع بعدم اليقين، يتيح التنبؤ عبر الإنترنت بكفاءة واستقرار للسلاسل الزمنية متعددة المتغيرات غير المنتظمة من خلال توجيه العينات ديناميكيًا بين خبراء موثوقين وغير موثوقين بناءً على عدم اليقين المقدر، كل ذلك مع إبقاء النموذج المصدر مجمدًا.
تُثبت هذه الورقة شروطاً طيفية كافية وضمانات تقارب تُظهر أن تأثير التنظيم الضمني منخفض الرتبة في تحليل المصفوفات العميق يظل مستقراً تحت اضطرابات الضجيج، مع وجود تبعيات صريحة على الطيف المستهدف، والتهيئة، وحجم الاضطراب.
تقدم الورقة البحثية SHIFT، وهي طريقة لاختيار البيانات دون الحاجة للتدريب لتعزيز التعلم مع المكافآت القابلة للتحقق (RLVR)، والتي تحدد الحالات ذات الفائدة العالية من خلال قياس تحولات الحالة الخفية الناجمة عن الاستنتاج خلال عملية تشغيل استدلالي واحدة، مما يتيح تدريبًا فعالًا للنموذج دون الوصول إلى تسميات أو إشارات مكافأة.
توضح هذه الورقة أن إسقاط متجهات المهام على الفضاءات الفرعية لميزات الـ SAE يفشل كاستراتيجية لتعديل النموذج بسبب عدم المحاذاة الهندسية، وتقترح بدلاً من ذلك استخدام الـ SAEs كـ "سماعات طبية" تشخيصية لحقن متجهات المهام الخام انتقائياً في طبقات محددة، مما يحسن أداء الاستدلال الرياضي بشكل كبير دون تكلفة حوسبية إضافية.
تقترح هذه الورقة البحثية، التي لا تزال قيد التطوير، إطار عمل لتعلم الرسوم البيانية الزمنية يعمل على نمذجة الديناميكيات الخلوية كشبكات تنظيم جيني متطورة، مما يثبت تفوقها على النماذج التأسيسية الثابتة مثل scGPT في التنبؤ بالتعبير الجيني والتفاعلات التنظيمية عبر مجموعات بيانات التطور لدى الفئران.