23164 ورقة بحثية
تقدم هذه الورقة مرشح اتساق العملية (PROF)، وهو طريقة لتنقية البيانات تستفيد من الاتساق بين نماذج مكافأة العملية ونماذج مكافأة النتيجة لاختيار عينات تدريب عالية الجودة، مما يؤدي إلى تحسين دقة الإجابة النهائية وموثوقية الاستدلال مع تجنب عدم الاستقرار الناتج عن التحسين المباشر للمكافأة.
تُعد MaskAttn-SDXL وحدة إضافية لنموذج SDXL تعمل على تعزيز توليد الصور من النصوص على مستوى المناطق القابلة للتحكم عبر حقن بوابات مكانية مشروطة بالرموز (token-conditioned spatial gating) في لوغاريتمات الانتباه المتقاطع (cross-attention logits) لتثبيط ارتباطات السمات غير ذات الصلة وتحسين موثوقية التركيب دون تغيير بنية النموذج الأساسي أو الحاجة إلى إشراف إضافي.
تقدم الورقة البحثية CoUn، وهو إطار عمل جديد لـ "إلغاء التعلم" (machine unlearning) يستفيد من التعلم التبايني والتعلم الخاضع للإشراف على البيانات المتبقية لإزالة تأثير عينات النسيان بفعالية من خلال تعديل تمثيلاتها الدلالية، مما يجعله يتفوق على الأساليب الحالية الرائدة.
تقترح الورقة البحثية مخطط التدريب المتناثر (STS)، وهو إطار عمل مدرك للمراحل يعمل على تحسين كفاءة تدريب النماذج اللغوية الكبيرة متعددة الوسائط من خلال ضغط الرموز المرئية ديناميكيًا أثناء مرحلة المحاذاة وتخطي الطبقات الزائدة عن الحاجة أثناء ضبط التعليمات لمعالجة المصادر المتفاوتة للوفرة الحسابية.
تحل هذه الورقة مشكلات مفتوحة تتعلق بالتعقيد المحدد بمعلمات (parameterized complexity) للتحقق من الشبكات العصبية من خلال إثبات أن المهام الرئيسية، بما في ذلك تقرير الإيجابية، وحساب ثوابت ليبشيتز (Lipschitz constants)، واحتواء الزونوتوب (zonotope containment)، هي صعبة من فئة W[1] بالنسبة للبعد المدخل ، مما يثبت أن طرق التعداد الساذجة هي مثالية جوهرياً في ظل فرضية الزمن الأسي (Exponential Time Hypothesis).
تقترح الورقة البحثية نموذج الإضافة العميقة المتناثرة مع التفاعلات (SDAMI)، وهو إطار عمل مبتكر يستفيد من مبدأ "بصمة الأثر" واستراتيجية التعلم العميق ثلاثية المراحل لتحديد التفاعلات المعقدة عالية الرتبة والتأثيرات الرئيسية بدقة في البيانات ذات العينات الصغيرة والأبعاد العالية، مع الحفاظ على قابلية تفسير قوية وتقليل الإيجابيات الكاذبة.
تقدم هذه الورقة البحثية "النسخ السلوكي الموزون بنسبة الكثافة" (Density-Ratio Weighted Behavioral Cloning)، وهو أسلوب متين للتعلم المعزز غير المتصل يستفيد من مجموعة مرجعية نظيفة صغيرة لتقدير وتطبيق أوزان نسبة الكثافة، مما يتيح تعلم سياسات تحكم قريبة من المثالية من مجموعات بيانات ملوثة بشدة بهجمات عدائية أو عينات منخفضة الجودة دون معرفة مسبقة بآلية الفساد.
تقدم هذه الورقة أخطاء معايرة صادقة تماماً للتنبؤات متعددة الفئات تمنع تشويه الاحتمالات الاستراتيجي، وتحافظ على هيمنة بلاكويل، وتوفر تصنيفات أكثر استقراراً للنماذج مقارنة بالمقاييس القياسية غير الصادقة.
تقترح هذه الورقة إطار عمل للتعلم شبه الموجه من البيانات الموجبة وغير المصنفة، مع تسمية مستعارة ديناميكية وتحسين باستخدام نماذج الحقول العشوائية المشروطة (CRF)، لاكتشاف المواقع الأثرية بفعالية في المناظر الطبيعية ذات التسميات الشحيحة، محققةً أداءً هو الأفضل حالياً على كل من نماذج الارتفاعات الرقمية وصور الأقمار الصناعية الخام.
تقدم هذه الورقة إطار عمل يستخدم بدائل الفوضى متعددة الحدود لتفكيك وتفسير عدم اليقين المعرفي في النماذج التوليدية المتسلسلة تحليلياً، مما يتيح تحديد مكونات مكافأة محددة تقود القرارات التوليدية بكفاءة حوسبية أعلى بكثير وتحقق رسمي أفضل من طرق التعلم العميق الحالية.