22999 ورقة بحثية
يُعد BIRDNet شبكة عصبية عميقة قابلة للتفسير تستخرج علاقات الاستلزام البولياني من البيانات الجدولية لبناء بنية متفرقة ومقيدة هيكليًا، محققةً أداءً تنافسيًا بعدد أقل بكثير من المعلمات مع تمكين الاستخراج المباشر لقواعد ذات معنى بيولوجي دون الحاجة إلى مسبقات خارجية.
تُثبت هذه الورقة أنه في التعلم التعزيزي للكود، تُنشئ نقاط تفتيش التدريب ذات تغطية اختبارات الوحدة المتداخلة جبهةً بين الصحة والكفاءة يمكن التنقل فيها وتوسيعها إلى ما وراء النقاط النهائية المدربة عبر متوسط الأوزان الاستقرائي، مما يؤدي إلى تحسين أداء وقت الاستدلال وتغطية المشكلات دون تدريب إضافي.
تقدم الورقة البحثية Oryx، وهي بنية هجينة تنتقل ديناميكيًا بين الخلاطات التكرارية الخطية الفعالة وآليات الانتباه التربيعية على طول تسلسل الرموز مع مشاركة أكثر من 90% من المعلمات، محققةً أداءً فائقًا وقدرات استرجاع للسياقات الطويلة مقارنة بالنماذج المرجعية ذات الخلاط الواحد.
تقدم هذه الورقة LearnWeak، وهو إطار عمل خالٍ من التوسيم يستفيد من وكيل مرجعي أقوى لتحديد واستهداف نقاط ضعف محددة في وكلاء استخدام الحاسوب الصغار، مما يحقق مكاسب كبيرة في الأداء عبر مجالات متنوعة من خلال التخصص الواعي بالأخطاء وتوليد البيانات المستهدف.
تقدم هذه الورقة طريقةً لا تعتمد على الملصقات (label-free) وتُطبق بعد التدريب (post-hoc) لتحديد وتخفيف التحيزات الزائفة في النماذج الرؤيوية المجمدة، وذلك عبر تفكيك التنشيطات إلى مفاهيم قابلة للتفسير وترتيبها من خلال التفاعلات المتدرجة مع الأمثلة المصنفة خطأً، مما يؤدي إلى تحسين دقة أسوأ المجموعات دون الحاجة إلى إعادة التدريب أو ملصقات سمات إضافية.
يُعدُّ CanMBRAIN نموذج فضاء حالة جديداً قائماً على بنية Mamba وعلاقات سببية، يُمكِّن من الاستدلال المستمر واللحظي لإشارات تخطيط كهربية الدماغ (EEG) طويلة المدى عبر التغلب على التعقيد التربيعي لآليات الانتباه وتقديم مسار تدريب متخصص ذاتي الإشراف متعدد المراحل للحفاظ على السياق الجوهري طويل المدى.
تقدم الورقة البحثية -QVLA، وهو إطار عمل للكمّ (quantization) ما بعد الكمّ لا يتطلب تدريباً، يُمكّن من إجراء كمّ منتظم من نوع W4A4 لنماذج الرؤية واللغة والعمل (Vision-Language-Action) بأكملها عبر الجمع بين تدوير SVD-Hadamard المركب وتوسيع تنشيط DiT لكل خطوة، محققاً معدلات نجاح في المهام هي الأفضل حالياً وتقليلاً كبيراً في الذاكرة في كل من الاختبارات المرجعية ومهام المعالجة في العالم الحقيقي.
تقدم هذه الورقة البحثية OmniVerifier-M1، وهو نموذج تحقق ميتا متعدد الوسائط يحقق تحققًا بصريًا قويًا وتصحيحًا ذاتيًا ديناميكيًا من خلال الاستفادة من المبررات الرمزية واستراتيجية التعلم المعزز المنفصلة للتفوق على نهج التحسين المشترك التقليدي.
تقدم هذه الورقة مركز الضغط (CoP)، وهو تمثيل لمسي قائم على الفيزياء يتيح النقل من المحاكاة إلى الواقع دون الحاجة لتدريب مسبق (zero-shot) لمهام المناولة المعقدة والغنية بالتلامس، وذلك عبر الحفاظ على معلومات التلامس الكثيفة مع التغلب على الفجوة بين المحاكاة والواقع دون الحاجة إلى قياسات القوة الحقيقية.
تعيد هذه الورقة صياغة آلة بولتزمان المقيدة إلى نموذج حتمي باستخدام تقدير الاحتمال الأقصى البعدي وخوارزمية توقع تعظيم، وذلك لإثبات تقارب التباين التباعدي دون استخدام محاكاة مونت كارلو بسلاسل ماركوف، مما يوحد بين تقليل الأبعاد الخطي وغير الخطي لكل من البيانات ذات القيم القياسية والمتجهة.