cs.LG ورقة بحثية

EmoMind: Decoding Affective Captions from Human Brain fMRI

يُعد EmoMind مساراً مبتكراً متكاملاً يقوم بفك تشفير التعليقات الوصفية العاطفية مباشرة من إشارات التصوير بالرنين المغناطيسي الوظيفي (fMRI) عبر الجمع بين الأوصاف المشهدية ذات المرجعية الدلالية ومتجهات عاطفية مستمرة مكونة من 34 بُعداً، مما يتفوق بشكل ملحوظ على النماذج المرجعية القائمة على التصنيفات المنفصلة في توليد سرديات عاطفية مخصصة وفردية.

Bilal A. Mohammed, Lin Gu, Ruogo Fang2026-05-19

🤖 machine learning

State Contamination in Memory-Augmented LLM Agents

تحدد هذه الورقة وتُقيس ظاهرة "غسيل الذاكرة"، وهي فشل أمني في وكلاء النماذج اللغوية الكبيرة المعززة بالذاكرة، حيث يتم ضغط السياق السام في ملخصات تبدو آمنة ولكنها لا تزال تؤثر خفية على عمليات التوليد المستقبلية، مما يثبت أن التخفيف الفعال يتطلب تطهير الحالة قبل عملية التلخيص وليس مجرد تنظيف المخرجات النهائية.

Yian Wang, Agam Goyal, Yuen Chen, Hari Sundaram2026-05-19

🤖 machine learning

Learning Unbiased Permutations via Flow Matching

تقدم الورقة البحثية PermFlow، وهو إطار عمل لمطابقة التدفق الشرطي يعمل مباشرة على الفضاء الأفيني لمصفوفات التبديل لالتقاط التوزيعات متعددة الأنماط وحل الغموض، متجاوزاً بذلك قيود انهيار النمط التي تعاني منها الطرق التفاضلية القائمة على Sinkhorn.

Yimeng Min, Carla P. Gomes2026-05-19

🤖 machine learning

VolTA-3D: Self-Supervised Learning for Brain MRI using 3D Volumetric Token Alignment

يُعدُّ VolTA-3D إطار عمل لنموذج "ترانسفورمر" رؤية ثلاثي الأبعاد يعتمد على التعلم الذاتي، حيث يتعلم تمثيلات الرنين المغناطيسي للدماغ القابلة للنقل من خلال محاذاة الرموز العالمية والمحلية بشكل مشترك ضمن نموذج (طالب-معلم)، مما يجعله يتفوق على النماذج المرجعية الحالية في مهام متنوعة لاحقة ويثبت متانة محسنة عبر التحولات النطاقية.

Amy Makawana, Abhijeet Parida, Marius George Linguraru, Julia Ive, Syed Muhammad Anwar2026-05-19

🤖 machine learning

Distinguishable Deletion: Unifying Knowledge Erasure and Refusal for Large Language Model Unlearning

تقترح هذه الورقة البحثية "الحذف المتميز" ( $\mathrm{D^2}$ )، وهو نموذج موحد يتم تنفيذه عبر "محاذاة نسيان المعرفة القائمة على الطاقة" (EUA)، والذي يعمل بفعالية على محو المعرفة غير المرغوب فيها وضمان الرفض الآمن من خلال التلاعب بتوزيعات الاستجابة في الفضاء الكامن بدلاً من كبت رموز محددة، مما يتغلب على قيود الطرق الحالية لحذف المعرفة والرفض المتميز.

Puning Yang, Junchi Yu, Qizhou Wang, Philip Torr, Bo Han, Xiuying Chen2026-05-19

🤖 machine learning

Lever: Speculative LLM Inference on Smartphones

تقدم هذه الورقة نظام Lever، وهو نظام متكامل (end-to-end) يعمل على تحسين فك التشفير الاستنتاجي (speculative decoding) عبر مراحل الصياغة والتحقق والتنفيذ لتمكين استدلال النماذج اللغوية الكبيرة بكفاءة وزمن انتقال منخفض على الهواتف الذكية من خلال الاستفادة من ذاكرة التخزين الوميضي (flash storage) وقيود الأجهزة المحمولة.

Tuowei Wang, Fengzu Li, Yanfan Sun, Wei Gao, Ju Ren2026-05-19

🤖 machine learning

TIER: Trajectory-Invariant Execution Rewards for Multi-Step Tool Composition

تقترح الورقة البحثية TIER، وهو إطار عمل للمكافأة يستفيد من مخططات الدوال والتنفيذ أثناء التشغيل لتوفير إشراف كثيف وغير مرتبط بمسار محدد لاستخدام الأدوات متعدد الخطوات، مما يمكّن النماذج اللغوية الكبيرة من تحقيق دقة عالية في المهام التركيبية المعقدة حيث تفشل الأساليب الحالية القائمة على المسارات.

Anay Kulkarni, ChiaEn Lu, Dheeraj Mekala, Jayanth Srinivasa, Gaowen Liu, Jingbo Shang2026-05-19

🤖 machine learning

FIM-LoRA: Task-Informative Rank Allocation for LoRA via Calibration-Time Gradient-Variance Estimation

تُعد FIM-LoRA طريقة خفيفة الوزن وخالية من التدريب تعمل على تحسين أداء LoRA عبر إعادة توزيع ميزانية الرتبة (rank budget) عبر الطبقات بناءً على تقديرات تباين التدرج قبل الضبط الدقيق، مما يحقق نتائج مماثلة لـ LoRA القياسي ذي الرتبة الموحدة مع توفير رؤى قابلة للتفسير حول مدى إخبارية الطبقات لمهمة محددة.

Ramakrishnan Sathyavageeswaran2026-05-19

🤖 machine learning

Cross-modal Affinity-aligned Multimodal Learning Analytics for Predicting Student Collaboration Satisfaction in Game-Based Learning

تقترح هذه الورقة إطار عمل تحليل التعلم متعدد الوسائط المتوافق مع الألفة (AAMLA)، والذي يتميز بوحدة محاذاة الوسائط الموجهة بالألفة عبر الوسائط (CAMA) التي تعزز التنبؤ بالرضا عن التعاون الطلابي في التعلم القائم على الألعاب من خلال نمذجة العلاقات بين الوسائط بشكل صريح للتعامل بمتانة مع تدهور الوسائط ودمج مصادر البيانات غير المتجانسة مثل حركة العين، وتعبيرات الوجه، وسجلات التفاعل.

Wen-Hsin Tsai, Chia-Ming Lee, Yuk-Ying Tung2026-05-19

🤖 machine learning

Informative Graph Structure Learning

تقدم هذه الورقة InGSL، وهو وحدة إضافية مبتكرة تعزز تعلم بنية الرسم البياني من خلال دمج استراتيجية موجهة بالمعلومات المتبادلة لتحقيق التوازن بين التشابه والتنوع في بناء الحواف، مما يؤدي إلى تحسين أداء النموذج مع تقليل عدد الحواف والأعباء الحسابية المرتبطة بها بشكل كبير.

Shen Han, Zhiyao Zhou, Jiawei Chen, Sheng Zhou, Canghong Jin, Hai Lin, Da Zhong Li, Bingde Hu, Can Wang2026-05-19

→ السابق التالي ←