22999 ورقة بحثية
تقدم هذه الورقة شبكات كولموغوروف-أرنولد فورير (KAF)، وهي بنية مبتكرة تتغلب على مشكلات انفجار المعلمات ومحدودية الترددات العالية التي تعاني منها شبكات KAN التقليدية عبر استبدال شرائح B-spline المحلية بتمثيل طيفي عالمي وتكيفي باستخدام ميزات فورير العشوائية القابلة للتدريب وآلية تنشيط هجينة، محققةً بذلك أداءً وكفاءةً رائدين في مختلف المهام.
تقدم هذه الورقة SURGE، وهو معيار شامل يضم 1,160 مسألة عبر ثمانية مجالات متنوعة، لتقييم جدوى استخدام النماذج اللغوية الكبيرة كنماذج بديلة فعالة للتنبؤ بنتائج تنفيذ الكود بشكل منهجي.
تقدم هذه الورقة صياغة في لغة Lean 4 لحدود خطأ التعميم القائمة على تعقيد رادماخر وتكامل إنتروبي دودلي، والتي تتميز بمسار تم التحقق منه آلياً بدءاً من الأسس النظرية للقياس وصولاً إلى حدود الانحراف الموحد ذات الاحتمالية العالية وتطبيقاتها على المتنبئات الخطية.
تقترح هذه الورقة إطار عمل مبتكر يعزز البحث التطوري القائم على النماذج اللغوية الكبيرة لاكتشاف الخوارزميات من خلال التحسين المستمر لعملية بحث النموذج عبر الضبط الدقيق باستخدام التعلم التعزيزي، مما يؤدي إلى تسريع تحديد الحلول المتفوقة في مهام الأمثلة التوافقية.
تقترح هذه الورقة البحثية طريقة "تحسين صلة المستند المباشرة" (DDRO)، وهي طريقة خفيفة الوزن وفعالة تعمل على مواءمة توليد معرف المستند على مستوى الرمز (token) مع صلة المستند على مستوى المستند من خلال التصنيف الثنائي المباشر، مما يلغي التعقيد الحسابي وعدم الاستقرار المرتبطين بالتعلم المعزز، مع تفوقها بشكل كبير على الأساليب الحالية في مجموعات البيانات المرجعية.
تقدم هذه الورقة إطار عمل "المؤثر التكامل العصبي" (NIO) الذي يستفيد من المعادلات التكاملية مع أخذ عينات مونت كارلو كمنظم ضمني لتحقيق تصنيف طيفي قوي وعالي الأداء في أنظمة البيانات الصغيرة حيث تميل نماذج التعلم العميق التقليدية إلى الإفراط في التخصيص.
تقترح هذه الورقة نموذج CU-HLM، وهو نموذج لغوي هجين كفء في الاتصالات يستفيد من الإرسال الانتهازي المدرك لعدم اليقين وضغط المفردات لتقليل عبء الاتصالات بشكل كبير وتحسين إنتاجية الرموز مع الحفاظ على دقة عالية.
تُعد PhySense إطار عمل تآزرياً ثنائي المراحل يعمل على تحسين وضع المستشعرات المتفرقة وإعادة بناء المجال الفيزيائي الكثيف بشكل مشترك باستخدام نموذج توليدي قائم على التدفق وطريقة الانحدار المتدرج المسقط، محققاً دقة هي الأفضل في فئتها مع توفير ضمانات نظرية متسقة مع مبادئ تقليل التباين.
تقدم هذه الورقة شبكة GFlowNet المقطرة عبر المسار (TD-GFN)، وهو إطار عمل خالٍ من الوكيل يستفيد من التعلم المعزز العكسي لاستخراج مكافآت حواف كثيفة من البيانات غير المتصلة لضمان الاستكشاف الموجه، مع الاعتماد حصرياً على مكافآت نهائية حقيقية لضمان تدريب قوي والتفوق على النماذج المرجعية الحالية في سرعة التقارب وجودة العينات.
تقدم هذه الورقة أول تحليل قائم على البيانات للحفظ في نماذج الانتشار الجدولية، كاشفةً عن توزيع ذي ذيل ثقيل لمخاطر التسرب، ومقترحةً "DynamicCut"، وهي طريقة محايدة للنماذج تحدد وتزيل العينات عالية المخاطر للتخفيف بفعالية من تسرب الخصوصية مع الحفاظ على تنوع البيانات وأداء المهام اللاحقة.