22999 ورقة بحثية
تقدم هذه الورقة طريقة تنظيم قائمة على الإسقاط تعاقب عدم التكافؤ على مستوى المؤثر عبر المدار الكامل للمجموعة، مما يوفر بديلاً أكثر كفاءة وفعالية للنهج القائمة على العينات الموجودة حالياً لتدريب الشبكات العصبية شبه المتكافئة تقريباً.
تستقصي هذه الورقة آليات التعلم داخل السياق متعدد الوسائط في نماذج "ترانسفورمر" الحديثة من خلال تجارب منضبطة على مهام اصطناعية، كاشفةً أن تضمينات الموضع الدوارة ترفع عتبة تعقيد البيانات للتعلم داخل السياق، بينما يتيح التنوع العالي للوسيط الأساسي ظهور التعلم داخل السياق متعدد الوسائط بتعقيد منخفض بشكل مفاجئ في وسيط ثانوي عبر دوائر استقرائية منقحة.
تقدم الورقة البحثية ECSEL، وهي طريقة تصنيف فعالة وقابلة للتفسير تتعلم معادلات حدودية إشارية (signomial equations) مدمجة لتحقيق دقة تنافسية مع توفير تفسيرات عالمية ومحلية، وكشف التحيز، وقدرات الاستدلال المضاد للواقع.
تقترح هذه الورقة G-Substrate، وهو إطار عمل متمحور حول التمثيل يعامل بنية الرسم البياني كركيزة مستمرة عبر الوسائط والمهام غير المتجانسة من خلال مخطط هيكلي موحد وتدريب متداخل قائم على الأدوار، وبذلك يتفوق على طرق التعلم المنعزلة التقليدية من خلال تراكم الانتظامات الهيكلية.
تقترح هذه الورقة إطار عمل وكيل تفاعلي مع سياسات استكشاف تكيفية ومسار معالجة صارم لاستخراج وقياس حدود المعرفة للنماذج اللغوية الكبيرة بشكل منهجي، مما يكشف عن قوانين قياس معرفية متميزة، ومقايضات في الأداء بين النماذج المتخصصة والعامة، وفروق قابلة للقياس في ملفات تعريف المعرفة المدفوعة بتكوين بيانات التدريب.
يُعد GraphDancer إطار عمل للتدريب اللاحق يتكون من مرحلتين، يستفيد من منهج تعليمي مدرك للرسوم البيانية لتعليم النماذج اللغوية الصغيرة كيفية الاستكشاف والاستدلال بفعالية عبر الرسوم البيانية غير المتجانسة من خلال التداخل بين اللغة الطبيعية واستدعاءات الدوال، محققاً تعميماً قوياً عبر المجالات يتفوق على النماذج المرجعية الأكبر حجماً.
تقدم هذه الورقة Rank-Learner، وهو إطار عمل جديد ومستقل عن النموذج وذا مرحلتين يعتمد على تعامد نيمان، يقوم بتعلم ترتيب آثار المعالجة مباشرة من البيانات الرصدية عبر تحسين هدف زوجي، متفوقاً بذلك على الطرق التقليدية التي تعتمد على التقدير الدقيق للأثر السببي.
تحدد هذه الورقة أول معدلات تعلم مثالية من نوع (minimax) لتقدير مجموعة دوال العائد الممكنة في ألعاب المصفوفات الثنائية، بناءً فقط على أفعال اللاعبين المرصودة تحت كل من لعب توازن ناش الدقيق والتقريبي في سياقات الألعاب ذات المجموع الصفري والألعاب ذات المجموع العام.
تقدم هذه الورقة آفاق القرار العشوائية (SDH)، وهو إطار عمل مؤصل نظرياً يضمن استيفاء القيود في كل خطوة في التعلم التعزيزي المقيد من خلال نمذجة الانتهاكات كتقصيرات فعالة في الأفق، مما يؤدي إلى خوارزميات جديدة خارج السياسة مثل VT-MPO تحقق مقايضات متفوقة بين المكافأة والانتهاك واستقراراً في التدريب مقارنة بالأسالهم المتطورة.
تُجمّع هذه الورقة بين المنظورين الهندسي والسببي للكشف عن ديناميكية تعتمد على العمق في النماذج اللغوية الكبيرة ذات فك التشفير فقط، حيث يصاحب الانتقال الحاد من معالجة السياق إلى تكوين التنبؤ إعادة تنظيم هندسي تدريجي، مما يثبت أن البنية الزاوية في الطبقات المتأخرة تشفر التشابه التنبئي بينما تظل المعايلات منفصلة، وبالتالي تؤسس إلى أن التدخل الفعال يتطلب فهم البنية الديناميكية العالمية الناشئة للشبكة بدلاً من الطبقات المعزولة.