🤖 Category

cs.LG

23088 ورقة بحثية

🤖 machine learning

Reasoning-Trace Collapse: Evaluating the Loss of Explicit Reasoning During Fine-Tuning

تحدد هذه الورقة وتُحدد كمياً ظاهرة "انهيار مسار الاستدلال" (reasoning-trace collapse)، وهي ظاهرة يتسبب فيها الضبط الدقيق لنماذج الاستدلال باستخدام بيانات الإجابات فقط في فقدانها لخطوات الاستدلال الوسيطة الصالحة رغم الحفاظ على الإجابات النهائية الصحيحة، وتقترح إطار تقييم هيكلي واستراتيجيات لإخفاء الخسارة (loss-masking) للكشف عن هذا التدهور والحد منه.

Lukas Twist, Helen Yannakoudakis, Jie M. Zhang2026-05-21
💬 NLP

Automated ICD Classification of Psychiatric Diagnoses: From Classical NLP to Large Language Models

تُظهر هذه الدراسة أن النماذج اللغوية الكبيرة المضبوطة بدقة، ولا سيما e5_large، تتفوق بشكل كبير على أساليب معالجة اللغات الطبيعية الكلاسيكية في أتمتة ربط الأوصاف النصية الحرة للطب النفسي باللغة الإسبانية بأكواد التصنيف الدولي للأمراض (ICD)، محققةً درجة F1 متوسطة دقيقة بلغت 0.866 على مجموعة بيانات تضم أكثر من 145,000 سجل.

Fernando Ortega, Raúl Lara-Cabrera, Jorge Dueñas-Lerín, Alejandro de la Torre-Luque, Mercé Salvador Robert, Enrique Baca (…)2026-05-21
🤖 machine learning

Comparative Analysis of Military Detection Using Drone Imagery Across Multiple Visual Spectrums

تقدم هذه الورقة أربع مجموعات بيانات متخصصة للطيف المرئي (التدرج الرمادي، والحراري، والليلي، ورؤية أوبسكورا) مشتقة من مجموعة بيانات KIIT-MiTA لتدريب وتقييم نموذج YOLOv11-small من أجل الكشف القوي عن الأجسام العسكرية بواسطة الطائرات بدون طيار في ظروف واقعية متنوعة وصعبة.

Sourov Roy Shuvo, Prajwal Panth, Rajesh Chowdhury, Sorup Chakraborty, Sudip Chakrabarty, Prasant Kumar Pattnaik2026-05-21
⚛️ quantum physics

Q-SYNTH: Hybrid Quantum-Classical Adversarial Augmentation for Imbalanced Fraud Detection

تقدم هذه الورقة البحثية Q-SYNTH، وهو إطار عمل تنافسي توليدي هجين يجمع بين الحوسبة الكمية والكلاسيكية يستخدم دائرة كمية مُعلمة لتخليق عينات معاملات احتيالية، مما يعالج بفعالية عدم توازن الفئات في كشف الاحتيال في بطاقات الائتمان من خلال تقديم تسوية مواتية بين دقة التوزيع الإحصائي وأداء التصنيف اللاحق مقارنة بالنماذج الكلاسيكية المرجعية.

Adam Innan, Mansour El Alami, Nouhaila Innan, Muhammad Shafique, Mohamed Bennai2026-05-21
🤖 machine learning

Domain-Adaptable Reinforcement Learning for Code Generation with Dense Rewards

تقدم هذه الورقة إطار عمل للتعلم التعزيزي باستخدام تحسين السياسة القريبة ونظام مكافأة قابل للتخصيص وواعٍ بالتنفيذ لضبط النماذج اللغوية الكبيرة، مما يحسن بشكل كبير من صحتها الوظيفية وقدرتها على التكيف مع القيود الخاصة بمجالات معينة مثل الروبوتات في مهام توليد الكود البرمجي.

Erfan Aghadavoodi Jolfaei, Daniel Maninger, Abhinav Anand, Mert Tiftikci, Mira Mezini2026-05-21
🤖 machine learning

Behavior-Consistent Deep Reinforcement Learning

تقدم هذه الورقة البحثية "اختلاف المئينات لقيمة-Q" (QED)، وهو جدول زمني لدرجة الحرارة يعتمد على الحالة ويستفيد من اختلاف الناقد المزدوج لتقليل تباعد السياسة عبر التشغيلات بشكل كبير في تعلم التعزيز ذي الإنتروبيا القصوى مع الحفاظ على أداء عالٍ عبر مهام التحكم المستمر.

Marcel Hussing, Liv G. d'Aliberti, Claas Voelcker, Benjamin Eysenbach, Eric Eaton2026-05-21
📊 statistics

Federated LoRA Fine-Tuning for LLMs via Collaborative Alignment

تقدم هذه الورقة CLAIR، وهو إطار عمل للتعلم الاتحادي المدرك للتلوث يستخدم تفكيك الرتبة المنخفضة الهيكلية بالإضافة إلى التفرق الكتلي لاستعادة فضاء فرعي مشترك لـ LoRA بشكل تعاوني، وكشف العملاء الضارين، وتحسين أداء الضبط الدقيق للنماذج اللغوية الكبيرة في البيئات شديدة التباين.

Shuaida He, Liwen Chen, Long Feng2026-05-21
🤖 machine learning

APEX: Autonomous Policy Exploration for Self-Evolving LLM Agents

تقترح الورقة البحثية إطار عمل APEX، وهو إطار لاستكشاف السياسات المستقلة يستخدم خريطة استراتيجية وآلية اكتشاف التفرع للتغلب على انهيار الاستكشاف في وكلاء النماذج اللغوية الكبيرة (LLM) ذاتية التطور، مما يمكنهم من اكتشاف استراتيجيات متفوقة من خلال الذاكرة والتفكير دون تحديث أوزان النموذج.

Yibo Li, Jiashuo Yang, Zhi Zheng, Zhiyuan Hu, Yuan Sui, Shizun Wang, Yufei He, Bryan Hooi2026-05-21
🤖 machine learning

Divide and Contrast: Learning Robust Temporal Features without Augmentation

تقدم الورقة البحثية إطار عمل "التقسيم والتباين" (Di-COT)، وهو إطار عمل فعال لتعلم تمثيل السلاسل الزمنية غير الخاضع للإشراف، والذي يحقق أداءً هو الأفضل من نوعه عبر مهام متعددة من خلال تباين الأجزاء الفرعية المتداخلة داخل النوافذ، مما يلغي الحاجة إلى تعزيز البيانات، وتمريرات المشفر المتعددة، والحسابات المعتمدة على طول التسلسل.

Abdul-Kazeem Shamba, Kerstin Bach, Gavin Taylor2026-05-21