23088 ورقة بحثية
تُثبت هذه الورقة أنه في "مسألة السكرتير"، تعمل إشارة سابقة عشوائية خالية من المحتوى وتصل في موعد لا يتجاوز وصول أفضل عنصر، كشكل قوي من أشكال النصيحة الزمنية، مما يحسن احتمالات النجاح بشكل كبير في كل من حالات الترتيب العشوائي والترتيب العدائي مقارنة بالمعايير المرجعية التقليدية.
يقدم SegCompass إطار عمل للتجزئة الاستدلالية متكامل الطرفين يستخدم مشفرًا تلقائيًا متفرقًا لإنشاء محاذاة صريحة، وقابلة للتفسير، وقابلة للاشتقاق بين تسلسل التفكير والاستدلال والإدراك البصري، مما يحقق أداءً رائدًا مع تعزيز الشفافية مقارنة بالطرق الحالية "الصندوق الأسود" أو الطرق اللاحقة.
تُثبت هذه الورقة التكافؤ الكمي لثلاثة مفاهيم متميزة للتعقيد المحدود للدوال البوليانية الضبابية: خاصية أخذ العينات الهولوغرافي، والتقريب البنيوي بواسطة كثيرات حدود منخفضة الدرجة، والتمثيل الحسابي بواسطة الشبكات العصبية المحدودة.
تقدم الورقة البحثية CEDAR، وهي طريقة لاحقة (post-hoc) تعمل على فك تشابك الدلالات الداخلية لنماذج الرؤية واللغة مسبقة التدريب إلى سمات قابلة للتفسير ومتعامدة عبر دوران قابل للعكس وعنق زجاجة يعتمد على تشتت (sparsity) من نوع top-، مما يكشف عن البنى التركيبية دون زيادة الأبعاد أو المساس بالهندسة الأصلية.
يُعد ChronoVAE-HOPE نموذجاً تأسيسياً من الجيل التالي للسلاسل الزمنية يتغلب على التكلفة التربيعية لآلية الانتباه ويحقق تمثيلاً كامناً مهيكلاً من خلال دمج إطار عمل VAE مع كتلة HOPE ذات الذاكرة المزدوجة وفضاء كامن منفصل للتصنيف المتخصص الفعال.
تحدد هذه الورقة البحثية أن القص الصلب الحاد يمثل عائقاً رئيسياً في التعلم المعزز بالمكافآت القابلة للتحقق (RLVR)، حيث يتخلص من الإشارات المعلوماتية القريبة من الحدود، وتقترح "الإنقاذ العشوائي بالقرب من الحدود" (NSR)، وهي آلية عشوائية بسيطة لاستعادة هذه الإشارات، مما يحسن بشكل كبير من استقرار التدريب والأداء عبر مختلف بنيات النماذج.
تقترح هذه الورقة إطار عمل هرمي لتعلم التعزيز الموجه بالأهداف غير المتصل بالإنترنت، والذي يستفيد من الخيارات النسبية وتمثيلات الحالة المتميزة لاستغلال التماثلات والهياكل المشتركة، مما يتيح إعادة استخدام الخبرة عبر سياقات متشابهة ويحسن الأداء بشكل كبير.
تقدم هذه الورقة البحثية "تأثيرات الرسائل المتراكمة على أحكام النماذج اللغوية الكبيرة" (AMEL)، مبرهنةً على أن النماذج اللغوية الكبيرة المستخدمة كمقيمين تظهر انحيازاً كبيراً نحو القطبية السائدة في تاريخ المحادثة السابق — لا سيما عند عدم اليقين أو التعرض لسياقات سلبية — بغض النظر عن حجم النموذج أو طول التاريخ، مما يوصي باستخدام سياقات جديدة أو تاريخ متوازن لضمان التقييم الآلي الموثوق.
تثبت هذه الورقة أن بنية المشغلات العصبية المتعددة (MNO) تحقق تقريباً مثالياً للتقريب والتعقيد الإحصائي لتعلم المشغل متعدد المهام، مما يوضح أن التمثيلات المشتركة لا تزيد من تكاليف التعلم الإجمالية مقارنة بتعلم المهمة الواحدة، وتؤدي بشكل متماثل تقاربيًا مع امتدادات DeepONet المتصلة.
تقترح هذه الورقة منظوراً قائماً على توزيع الحالة في مرحلة ما بعد التدريب للنماذج اللغوية الكبيرة، حيث تُثبت من خلال تجارب منضبطة أن مصدر ومحلية حالات التدريب لا يقلان أهمية عن إشارة الإشراف نفسها، كما يتضح من تفوق الأساليب القائمة على السياسة (on-policy) على المعلمين المدربين تحت الضغط (stress-trained teachers) وقدرتها على الحفاظ على الاستبقاء بشكل أفضل من الضبط الدقيق الخاضع للإشراف القياسي.