23088 ورقة بحثية
تقدم هذه الورقة نهجاً لتقليل الأبعاد قائماً على الرسوم البيانية يعالج العيوب البصرية الناتجة عن الحالات الغامضة — وهي نقاط البيانات المتشابهة مع جيران متعددين غير متشابهين — من خلال تقسيمها إلى نسخ متعددة في عملية الإسقاط لتمثيل هياكل جيرانها الكاملة بأمانة.
تقدم هذه الورقة البحثية طريقة "التعلم الشامل دفعة واحدة" (LEO)، وهي طريقة تتيح تحديثات متوازية وفعالة لجميع الأهداف خارج السياسة في التعلم المعزز المشروط بالهدف، وذلك من خلال الإخراج المشترك للقيم والأفعال لكل هدف، مما يحقق مكاسب كبيرة في الأداء وتسارعاً هائلاً مقارنة بتقنيات إعادة التسمية التقليدية.
تحل هذه الورقة البحثية المسألة النظرية المتعلقة بمدى كفاية التضمينات منخفضة الأبعاد لعمليات الاسترجاع واسعة النطاق، وذلك عبر إثبات أن الهامش الأمثل الذي يمكن تحقيقه في الأبعاد اللانهائية يمكن بلوغه تقريباً في بُعد لمصفوفات الصلة ذات الكثافة ، مع إثبات تفوق دالة خسارة "sigmoid" على "InfoNCE" تجريبياً في توليد تضمينات ذات هامش كبير.
تقدم الورقة البحثية إحصائيات الرتب المدركة للمقدار (MARS)، وهي طريقة مبتكرة تعزز مخططات الفرق الحرج من خلال دمج معامل هامش نسبي لوزن الرتب المنفصلة بناءً على فجوات الأداء، مما يتغلب على "العمى عن المقدار" في التقييمات القياسية ويوفر رؤى أكثر واقعية حول اختلافات أداء النماذج.
تتقصى هذه الورقة البحثية كيفية تعميم وكلاء التعلم التعزيزي للأهداف عبر سلاسل تدريب متتابعة، كاشفةً أن السمات البارزة والأهداف المتعلمة مبكراً تشكل السلوك خارج نطاق التوزيع، كما تقدم طريقة "تدرجات السياسة الكامنة" القابلة للتفسير للتنبؤ بهذه السلوكات بناءً على تطور المتغيرات الكامنة منخفضة الأبعاد.
تقدم هذه الورقة نموذجاً لقوانين القياس العصبي تحت التنشيطات المتفرقة يكشف عن عنق زجاجة مستحدث يسبب سلوك الانحدار المزدوج مع أسس قياس متميزة لكل من مرحلتي نقص المعلمات وفائض المعلمات، مما يثبت في النهاية أن التدريب الأمثل حوسبياً ضمن ميزانيات ثابتة يعطي الأولوية لزيادة حجم مجموعة البيانات على حساب سعة النموذج.
تقدم هذه الورقة MetaEvaluator، وهو إطار عمل فعال من حيث التكلفة وغير مرتبط بنموذج محدد، يستفيد من التعلم الفائق لتقييم أداء نماذج تعلم آلي متنوعة وغير مرئية بدقة على مجموعات بيانات غير مصنفة دون الحاجة إلى عمليات تصنيف مكلفة أو إعادة تدريب لكل نموذج.
تقدم هذه الورقة البحثية "حل الكيانات الموجه بالبنية" (SGER)، وهو إطار عمل للضبط الدقيق المنهجي ثنائي المراحل للنماذج اللغوية الكبيرة، والذي يحقق دقة هي الأفضل في مجال مطابقة الأسماء الشخصية المعقدة ومتعددة اللغات، ويتم نشره حالياً على نطاق واسع لامتثال "اعرف عميلك" (KYC) على منصة Dream11.
تقدم هذه الورقة طبقة "برايساش" للانتباه (PAL)، وهي بنية جديدة لنمذجة التسلسل تستبدل انتباه "سوفت ماكس" بمشغل مرحل ثنائي يعتمد على التلاكؤ لتحقيق اكتمال تورينج في عمق قدره O(1)، وتمكين الحساب الفعال لإحصائيات النطاق التاريخي، وتوفير تكاليف استدلال تبلغ O(n log n) للمهام التي تتطلب ذاكرة عرضية طويلة مع اعتماد موضعي ضعيف.
يعالج DiLaDiff المقايضة بين جودة أخذ العينات والإنتاجية في نماذج الانتشار اللغوية من خلال تقديم إطار عمل ثلاثي المراحل يستخدم فضاءً كامناً دلالياً، ونموذج انتشار كامن مسبق، وتقطير الاتساق لتحقيق توليد عالي الجودة وبخطوات قليلة يتفوق بشكل كبير على النماذج المرجعية للانتشار المقنع.