22999 ورقة بحثية
تقترح الورقة البحثية LUCoS، وهي طريقة غير خاضعة للإشراف لاختيار العينات المصنفة في التعلم الجدولي منخفض التسمية عبر الاستفضاء بالهندسة الكامنة للتمثيلات غير الخاضعة للإشراف بدلاً من فضاءات الميزات الخام غير الموثوقة، وهو ما يحقق أداءً هو الأفضل حالياً عبر 67 مجموعة بيانات من خلال ضمان فعالية التغطية وجودة التمثيل.
تقدم هذه الورقة محولات امتداد كان (KETs) كإطار عمل فئوي يوحد آليات الانتباه، والانتشار، والاشتراط الذاتي، مظهرةً أنه بينما تتفوق محولات KETs التربيعية في الإعدادات السببية الصارمة، فإن أهم مكاسب الأداء عبر مجموعات بيانات متعددة تأتي من اعتماد نظام اشتراط ذاتي قائم على التنبؤ والفصل.
تقترح هذه الورقة إطاراً للحد من المخاطر السببية يعالج فضاءات العلاج عالية الأبعاد من خلال تفكيك الخطأ السببي إلى حدود موازنة العزوم وإسقاط آثار العلاج على سمات منخفضة الأبعاد، مما يتيح تقديراً سببياً فعالاً وتنافسياً عبر التدخلات المستمرة والمنفصلة والقائمة على النصوص دون الحاجة إلى تدريب خاص بكل سمة.
يُعد Falcon-X نموذجاً تأسيسياً جديداً للسلاسل الزمنية يعالج أوجه القصور في النهج أحادي المتغير والنهج المعتمد على الفضاء الخام من خلال فك ارتباط المتغيرات إلى فضاء نماذج أولية كامن موحد، واستخدام آلية "الاهتمام التفاضلي" (Diff-Attention) لمحاذاة الكميات غير المتجانسة والتقاط التفاعلات المعقدة، وتوظيف "موجه إعادة تجميع المتغيرات" (Variate Reassembly Router) لتحقيق أداء فائق في التنبؤ متعدد المتغيرات.
تقدم هذه الورقة إطار عمل MUSE، الذي يوضح أن امتثال النماذج اللغوية الكبيرة (LLMs) لاعتراض المستخدم لا ينبع من التملق فحسب، بل أيضاً من عدم اليقين المعرفي، حيث يزداد كلا العاملين بناءً على الخبرة المتصورة للمستخدم ومدى معقولية مقترحاته.
تقترح هذه الورقة طريقة مبتكرة لصياغة الكناري (canary crafting) لتدقيق الخصوصية في تمريرة واحدة، تجمع بين التهيئة الجشعة والتحسين ثنائي المستوى لتعظيم قابلية اكتشاف الكناري مع تقليل التداخل إلى أدنى حد، مما يحقق تقديرات أقوى لتسرب الخصوصية بتكاليف حوسبة أقل مقارنة بالأساليب الحالية.
تقترح هذه الورقة إطاراً قوياً للتحسين العالمي يجمع بين النوى المتماثلة المرنة وتحويلات النسب الرتيبة للحفاظ على القيم العظمى العالمية وتركيز النقاط الثابتة دون الحاجة إلى جدول زمني لخفض التنعيم، مع توفير حدود التعقيد النظرية وإثبات الأداء المحسن في الاختبارات المعيارية عالية الأبعاد والهجمات العدائية.
تقترح هذه الورقة إطار عمل لتوليد الصور القابل للتحكم يستفيد من التمثيلات المستمدة من نماذج التعلم الذاتي مسبقة التدريب لتهيئة عمليات الانتشار، مما يعزز جودة التوليد غير المشروط مع تمكين التحكم السلس والمتمايز في التباينات الناتجة دون الحاجة إلى مجموعات بيانات موسومة واسعة النطاق.
تقدم هذه الورقة طريقة "جيبس-المسرعة للانتشار المنفصل" (GADD)، وهي طريقة تصحيح مبتكرة تستفيد من دوال الدرجة الملموسة لتحقيق تعقيد أخذ عينات بمعدل وتحسين الكفاءة لنماذج الانتشار المنفصل ذات المعدل الموحد دون الحاجة إلى تدريب إضافي.
تقدم هذه الورقة SAERL، وهو إطار عمل لهندسة البيانات يستفيد من المشفّرات التلقائية المتناثرة (Sparse Autoencoders) لاستخراج إشارات النموذج الجوهرية المتعلقة بتنوع البيانات وصعوبتها وجودتها، مما يؤدي إلى تحسين التعلم التعزيزي لما بعد التدريب للنماذج اللغوية الكبيرة (LLM) بدقة وكفاءة أفضل.