23164 ورقة بحثية
يقدم FLUIDSPLAT نموذجاً مشروطاً بالمستشعرات يعيد بناء حقول التدفق المستمرة من مستشعرات سطحية متفرقة باستخدام بدائيات غاوسية متباينة الخواص وقابلة للتفسير، مما يؤسس نظرياً لعدد أمثل من البدائيات للموازنة بين الانحياز والتباين مع تحقيق دقة تضاهي أحدث المعايير في اختبارات الأداء الديناميكي الهوائي.
يُعد EVA-0 إطار عمل تكيفي من الدرجة الصفرية يتميز بالبساطة، يتيح تطوراً فعالاً للنماذج في وقت الاختبار باستخدام تمريرتين أماميتين فقط لكل عينة، متجاوزاً بذلك عقبات تحسين رئيسية دون الحاجة إلى الانتشار العكسي لتحقيق أداء فائق وتسريع كبير مقارنة بالطرق الحالية.
تقدم الورقة البحثية DarkLLM، وهو إطار عمل مبتكر يستفيد من نموذج لغوي كبير بمليار معلمة لترجمة التعليمات باللغة الطبيعية إلى اضطرابات تنافسية متعددة الاستخدامات وعالية الفعالية، مما يوحد ويوسع نطاق الهجمات عبر مختلف النماذج التأسيسية للرؤية والنماذج متعددة الوسائط.
يُعد MO-CAPO خوارزمية مبتكرة لتحسين الأوامر البرمجية متعددة الأهداف، حيث تعمل على تحسين أداء النماذج اللغوية الكبيرة وتكلفة الاستدلال بشكل مشترك من خلال تخصيص الميزانية بكفاءة، متفوقة بذلك على الأساليب الحالية عبر اكتشاف مقايضات متنوعة وقوية بين الأداء والتكلفة مع الحفاظ على كفاءة التكلفة.
تجسّر هذه الورقة الفجوة بين النماذج النظرية وبنيات المحولات متعددة الرؤوس الفعلية من خلال نمذجة تدفق بياناتها كتدفقات تدرج "واسرشتاين" المعتمدة على الزمن، مما يؤسس لنتائج دقيقة حول التقارب نحو النقاط الثابتة، والاستقرار تحت الاضطرابات، والسلوك التقاربي من خلال كل من البراهين النظرية والتجارب العددية.
يُعد ZeroUnlearn إطار عمل لتعلم "إلغاء المعرفة" بأسلوب التعلم من أمثلة قليلة، حيث يعيد صياغة المهمة كمسألة إعادة رسم خرائط معرفية دقيقة عبر تعديل النموذج، مستخدماً تحديثات بارامترية ضربية لإزالة المعلومات الحساسة بكفاءة مع الحفاظ على المنفعة العامة للنموذج.
تقترح هذه الورقة مساراً لتعلم الآلة يقوم بتنظيم وتحويل البيانات المناعية الخام من السجلات الصحية الإلكترونية إلى ناقلات لأغراض التجميع غير الخاضع للإشراف، بهدف تحديد أنماط وسمات جديدة لأخطاء المناعة الخلقية لتسهيل التشخيص المبكر وتحسين تحليل الأمراض النادرة.
تحدد هذه الورقة البحثية وتفسر آلياً انحياز الاستدعاء المفرط الجوهري في وكلاء النماذج اللغوية الكبيرة، حيث تفضل النماذج استدعاء الأدوات حتى عندما يكون ذلك غير ضروري، وتثبت أنه يمكن تصحيح هذا الانحياز سببياً باستخدام المشفّرات التلقائية المتفرقة لتحسين دقة القرار الإجمالية دون التضحية بأداء الاستدعاء.
تُظهر هذه الورقة أنه بينما تفشل المحاكيات العصبية القياسية غالباً في الحفاظ على قوانين الحفظ الفيزيائية رغم دقة تنبؤاتها بالمسارات، فإن البنيات المتخصصة مثل شبكات اكتشاف الحفظ (Conservation Discovery Networks) يمكنها بنجاح تعلم الكميات المحفوظة عالمياً من مسارات هاميلتون، وإن كان أداؤها يعتمد بشكل حاسم على استراتيجيات التدريب مثل الاتساق الزمني والاتساق مع الظروف الأولية.
تُثبت هذه الورقة أن "نمط التجاوز" في تقييمات محو التعلم، حيث تحتفظ مسارات الاستنتاج بالمحتوى المنسي بينما تظهر الإجابات وكأنها مُحيت، ليس مؤشراً موثوقاً على الحفظ الخفي على مستوى الأوزان لأن الظاهرة يمكن تكرارها أو عكسها عبر عمليات تبديل بسيطة للقوالب عند وقت فك التشفير، مما يستلزم إجراء مثل هذه التبديلات كفحص للتحقق من السلامة في عمليات التدقيق المستقبلية.