23088 ورقة بحثية
تقدم هذه الورقة إطار عمل Obj-Disco، الذي يقوم تلقائياً بتفكيك إشارات مكافأة محاذاة النماذج اللغوية الكبيرة المعقدة إلى أهداف لغوية طبيعية متفرقة وقابلة للتفسير بشرياً للكشف عن الحوافز الضمنية والتخفيف من المخاطر مثل اختراق المكافأة.
تقدم هذه الورقة البحثية "التوطين العشوائي المتقطع" (DSL)، وهو إطار عمل للحالة المستمرة بتمثيلات رموز (token embeddings) على كرة الوحدة، يُمكّن شبكة واحدة مدربة من دعم مسارات أخذ عينات متنوعة — بما في ذلك الانتشار المقنع، والارتباط الذاتي عشوائي الترتيب، والتوليد الهجين المستمر-المتقطع — مما يحسن بشكل كبير من دقة التوزيع مقارنة بنماذج الانتشار المتقطع المقنع القياسية دون الحاجة إلى تقطير أو إعادة تدريب.
تقدم هذه الورقة mu-ChebNet، وهي شبكة عصبية رسومية طيفية خفيفة الوزن تتعلم دالة وزن لكل عقدة لاستحثاث مؤثر لابلاسيان (Laplacian) رسومي متكيف مع المهمة، مما يعدل هندسة الانتشار بفعالية للتغلب على تحديات الاعتماد طويل المدى مثل التنعيم المفرط (oversmoothing) والضغط المفرط (oversquashing) دون تغيير الطوبولوجيا الأساسية للرسم البياني.
تعزز هذه الورقة البحثية من قابلية التفسير والتحكم في نماذج فضاء الحالة (State-Space Models) عبر تحديد اختناقات في الفضاء الجزئي للتنشيط، والتي عند توسيع نطاقها في وقت الاختبار، ترفع الأداء بشكل كبير عبر معايير قياسية متنوعة دون الحاجة إلى ضبط خاص بالمهمة، بينما تتيح أيضاً إنشاء بنية "Stable-Mamba" مُعاد تدريبها ذات قدرات محسنة في السياق الطويل.
يعالج SplAttN مشكلة "انهيار الإنتروبيا عبر الوسائط" الناتجة عن عمليات الإسقاط الصلبة القياسية في إكمال السحابة النقطية متعددة الوسائط من خلال إدخال تقنية "Gaussian Splatting" القابلة للتفاضل لإنشاء تمثيلات صورية كثيفة ومستمرة، مما يؤدي إلى تأسيس روابط قوية عبر الوسائط وتحقيق أداء رائد على كل من المعايير الاصطناعية والواقعية.
تعالج هذه الورقة عدم كفاءة التحسين البايزي القياسي للمشكلات ذات التناظرات التبديلية، مثل تحديد مواقع الآبار في تقنيات احتجاز الكربون وتخزينه، وذلك من خلال تقديم نواة عملية غاوس (GP-Perm) جديدة ثابتة التبديل، ونموذج مرجعي لتعلم النواة العميق (DKL-DS)، واللذين تم التحقق من صحتهما عبر اختبارات معيارية اصطناعية ودراسة حالة واقعية لاحتجاز الكربون وتخزينه.
تقدم هذه الورقة البحثية "المحول التبايني الزمني" (TCT)، وهو إطار عمل للتعلم الذاتي ينجح في تعلم تمثيلات زمنية ذات معنى للكشف عن الجرائم المالية، محققاً أداءً قوياً بصفة مستقلة مع تسليط الضوء على التحدي الراهن المتمثل في تجاوز خطوط الأساس للميزات المصممة هندسياً والمتخصصة في هذا المجال.
تثبت هذه الورقة أنه لا يمكن لأي طريقة لترتيب الميزات أن تحقق الأمانة والاستقرار والكمال في آن واحد في ظل وجود التلازم بين الميزات، حيث تصف حيز التصميم الناتج كفصل حاد بين الطرق الأمينة غير المستقرة والأساليب التجميعية مثل DASH، مع التحقق ميكانيكيًا من جميع النتائج في لغة Lean 4.
تقدم هذه الورقة GOEN، وهو مسار معالجة بسيط وفعال للكشف عن البيانات خارج التوزيع (OOD) يتفوق على النماذج المرجعية المتطورة من خلال الاستفادة من الميزات متعددة المقاييس ومسافة ماهالانوبيس، بينما يوضح أن "CenterLoss"، رغم تحسينه لدقة التصنيف، يؤدي إلى تدهور كبير في الكشف عن البيانات خارج التوزيع عبر تشويه الهندسة الميزية المطلوبة لتقدير اليقين المعرفي الموثوق.
تُظهر هذه الدراسة المحاكاتية أنه في حالة الانحدار الخطي مع البيانات الملوثة، يمكن للمستنبطات المربعات الصغرى ذات المعلمات الزائدة للغاية أن تُظهر ظاهرة التناقص المزدوج، محققةً في نهاية المطاف أداء تعميم متفوق مقارنة بالمقدرات البديلة القوية.