23164 ورقة بحثية
تقدم هذه الورقة Acela، وهو إطار عمل للتنبؤ بالمدة مع مراعاة التكلفة يعمل على تحسين جدولة ترقية البرمجيات في مراكز البيانات من خلال معالجة تكاليف الخطأ غير المتماثلة وآثار المتأخرين (stragglers)، مما أدى إلى تحسين الكفاءة والإنتاجية بشكل كبير وتقليل معدلات الإلغاء في أنظمة الإنتاج الخاصة بشركة ميتا (Meta).
تتقصى هذه الورقة التأثيرات السببية داخل شبكات التعلم الاجتماعي من خلال اشتقاق تعبيرات تعتمد على الطوبولوجيا لتفاعلات الوكلاء، واقتراح خوارزمية لترتيب الوكلاء المؤثرين، وتطوير طريقة لتعلم معاملات النموذج من البيانات الرصدية.
تقدم هذه الورقة طيف عدم التمييز للتوزيعات الطبيعية (NDIS)، وهو أداة تحليلية ذات صيغة مغلقة لحساب الخصوصية التفاضلية لأي خوارزمية ذات مخرجات غاوسية، مما يتيح براهين خصوصية أكثر إحكاماً، وآليات أكثر كفاءة في الضجيج، وتدقيقاً "أبيض الصندوق" لمجموعة واسعة من تطبيقات تعلم الآلة الحافظة للخصوصية.
تقدم هذه الورقة أول تحليل تعميم صارم لتعلم المقاييس والتشابه من خلال بناء شبكات ReLU عميقة مهيكلة بناءً على الشكل الصريح للمقياس الحقيقي لاستخلاص حدود صريحة للمخاطر الزائدة توازن بين أخطاء التقريب والتقدير.
تستخدم هذه الورقة نظرية الانحرافات الكبيرة لتوضيح أن التوزيع طويل الأمد للاشتقاق المتدرج العشوائي في المسائل غير المحدبة يشبه توزيع بولتزمان-جيبس، مما يجعل الخوارزمية تفضل بشكل أسي المناطق الحرجة ذات حالات الطاقة الأدنى على المناطق غير الحرجة، والقمم المحلية، ونقاط السرج.
تقترح هذه الورقة إطار عمل ERFSL، وهو إطار عمل فعال يستفيد من النماذج اللغوية الكبيرة كباحثين بنظام الصندوق الأبيض لتوليد وتحسين دوال المكافأة متعددة الأهداف بشكل تكراري في البيئات المخصصة المعقدة من خلال الفهم الدلالي، ومنتقد مكافأة لتصحيح الكود، واستراتيجيات ضبط الأوزان الشبيهة بالخوارزميات الجينية، مما يحقق تقارباً سريعاً نحو الحلول المثلى في جبهة باريتو بأقل قدر من التغذية الراجعة البشرية.
تجسّر هذه الورقة البحثية الفجوة بين النظرية والتطبيق في تعلم الانتقائية القائم على الاستعلام من خلال إثبات قابلية التعلم تحت المقاييس الموقعة واستخلاص حدود تعميم خارج نطاق التوزيع، مما يؤدي إلى استراتيجيتين تعملان على تحسين دقة النموذج وزمن الاستجابة بشكل كبير في الاستعلامات خارج نطاق التوزيع مع الحفاظ على الأداء داخل النطاق.
تقدم هذه الورقة ثلاثة مقاييس تقييم جديدة لتقدير مدى جودة قدرة طرق توليد البيانات الجدولية الاصطناعية على الحفاظ على العلاقات المنطقية والارتباطات بين الأعمدة، مما يكشف أن النهج الحالية المتطورة غالباً ما تفشل في الحفاظ على الواقعية الدقيقة المطلوبة لتسلسلات الأحداث المتماسكة وتماسك الكيانات.
تقترح الورقة البحثية ReAlignFit، وهو إطار عمل مبتكر يعزز استقرار وأداء التعلم العلائقي الجزيئي من خلال محاذاة تمثيلات البنية التحتية ديناميكيًا عبر انحياز استقرائي قائم على "الملاءمة المستحثة" كيميائيًا و"عنق زجاجة معلومات المخطط الفرعي"، مما يعالج بفعالية التحديات في توزيعات البيانات ذات القواعد المزاحة والسقالات المزاحة.
تقدم هذه الورقة KCGen-KT، وهو مسار عمل مؤتمت يعتمد على النماذج اللغوية الكبيرة لتوليد وتوسيم مكونات المعرفة للمشكلات البرمجية مفتوحة النهايات، مما يثبت من خلال تقييم مكثف أن هذه المكونات المولدة بواسطة الذكاء الاصطناعي تفوق المكونات التقليدية المكتوبة بشرياً في التنبؤ بأداء الطلاب ونمذجة منحنيات التعلم.