23088 ورقة بحثية
تقدم هذه الورقة ProxySHAP، وهي طريقة مبتكرة تجمع بين النماذج البديلة القائمة على الأشجار مع التصحيح المتبقي وحساب دقيق في وقت متعدد الحدود لمجموعات الأشجار (tree ensembles) لتحقيق دقة وكفاءة في مستوى الحالة الراهنة (state-of-the-art) في تقدير تفاعلات شابلي (Shapley) وبانزهاف (Banzhaf)، متفوقة بشكل كبير على المقدرات الحالية مثل ProxySPEX وKernelSHAP-IQ.
تقدم هذه الورقة أشجار القرار الثلاثية التي تعزز نموذج CART القياسي عبر إضافة مناطق عدم يقين متكيفة محلياً عند عقد التقسيم، حيث يُستخدم مزيج مرجح من تنبؤات الأبناء للحالات الغامضة، مما يثبت أن هذا النهج يحسن دقة القرار بشكل كبير عبر مجموعات بيانات متنوعة مع توفير أعلام عدم يقين قابلة للتنفيذ دون الحاجة إلى معاملات فائقة خارجية.
تُعدّ SequLoRA إطار عمل للتعلم المستمر كفء في استخدام المعلمات، حيث توظف التكيف المتعامد ثنائي المستوى لتحسين عوامل LoRA بشكل مشترك، مما يتيح توليداً عالي الدقة وقابلاً للتوسع لما يصل إلى 101 مفهوم مخصص مع تقليل تداخل التمثيل والنسيان الكارثي دون الحاجة لعمليات دمج لاحقة مكلفة.
تقدم هذه الورقة إطار عمل مبسط لخسارة الإضافة (plug-in loss) للتعلم العميق الدليلي (Evidential Deep Learning) يقوم بتقريب أهداف توزيع ديريكليه (Dirichlet) المعقدة باستخدام خسائر قياسية مثل الإنتروبيا المتقاطعة (cross-entropy)، مما يتيح تقديراً فعالاً حسابياً لعدم اليقين يشمل مصنف السوفتماكس (softmax) مع تحقيق أداء مماثل لطرق التعلم العميق الدليلي الكلاسيكية.
تقدم الورقة البحثية "Lumberjack"، وهو خوارزمية غابة عشوائية ذات خصوصية تفاضلية تستفيد من طريقة مبتكرة للكشف عن العناصر الأكثر تكراراً (heavy hitter) لبناء وتقليم الأشجار العميقة، مما يحقق مقايضات بين المنفعة والخصوصية هي الأفضل في فئتها وتتفوق بشكل كبير على النهج الحالية.
تعيد هذه الورقة مراجعة نماذج الانتشار الموحدة (Uniform Diffusion Models) من خلال تحديد عدم تطابق بين أهداف التدريب القياسية والديناميكيات العكسية المثلى، مقترحةً مُزيل ضجيج بنظام "استبعاد الواحد" (leave-one-out) وإعادة صياغة لحالة الامتصاص (absorbing-state) مما يحسن جودة التوليد بشكل كبير ويجسر فجوة الأداء مع نماذج الانتشار المقنعة (Masked Diffusion Models).
إن FAME هو إطار عمل يعتمد على خليط من الخبراء وكفاءة التوسيم، يستفيد من تمريرة تعليق واحدة لنموذج لغوي كبير غير متصل بالإنترنت لتدريب نماذج خفيفة الوزن ومحلية لضمان دقة عالية في اكتشاف شذوذ السجلات على مستوى الرسائل، مما يقلل تكاليف التوسيم بشكل كبير مع تحديد الإخفاقات بفعالية عبر الأنظمة غير المتجانسة.
يُعد LCGuard إطار عمل يؤمن الاتصالات الكامنة في أنظمة النماذج اللغوية الكبيرة متعددة الوكلاء من خلال تطبيق التدريب الخصمي لتحويل ذاكرة التخزين المؤقت (KV caches) المشتركة، مما يمنع بفعالية إعادة بناء المعلومات الحساسة الخاصة بكل وكيل مع الحفاظ على الدلالات ذات الصلة بالمهمة.
تقترح هذه الورقة وتحلل طريقة انجراف محافظة للنمذجة التوليدية ذات الخطوة الواحدة تستخدم سرعة تدرج مُقدِّر كثافة النواة لمعالجة مشكلات عدم الحفاظ، مع وضع حدود تقارب الجسيمات المحدودة في الزمن المستمر وضمانات توليد صريحة لكل من المتغيرات المحافظة وغير المحافظة.
تقترح هذه الورقة "مبدأ المطابقة"، وهو نظرية هندسية موحدة تؤطر تحديات المتانة والتكيف المتنوعة كمسألة إحصائية واحدة تتمثل في تقدير التباين المزعج الحافظ للتسميات لتوجيه تنظيم المشفر، وهو إطار تم التحقق من صحته عبر براهين المثالية ذات الصيغة المغلقة واختبارات تجريبية واسعة النطاق عبر ثلاثة عشر معياراً مسجلاً مسبقاً.