22423 ورقة بحثية
تحدد هذه الورقة "الانهيار خارج المنوال" (off-manifold collapse)، وهو نمط فشل في نماذج لغة البروتين الموجهة حيث ينتج التوجيه القوي تسلسلات منخفضة التعقيد وغير قابلة للطي تخدع أوراكل الخصائص، وتقترح خطوة معالجة لاحقة "ترشيح ماهالانوبيس" (Mahalanobis filtering) خالية من التدريب للكشف عن هذه المرشحات غير الصالحة وإزالتها عن طريق الترشيح وفقًا لإحصائيات التنشيط الطبيعية.
تقدم هذه الورقة إطار عمل لتعلم الآلة الجيومكاني، يتميز بالقابلية للتوسع والنمطية والقابلية للتفسير، يدمج بيانات الاستشعار عن بُعد متعددة المصادر والبيانات التشغيلية لنمذجة احتمالية فشل الأصول على مستوى الخطوط الكهربائية، وتحديداً فيما يتعلق بمخاطر الغطاء النباتي والصواعق، وذلك لتمكين إدارة فعالة ومرنة مناخياً لأصول المرافق.
تجادل هذه الورقة بأن عدم التحديد —الناجم عن نقص المعلومات وعدم وجود حلول— يمثل تحدياً مركزياً في استدلال التفضيلات للذكاء الاصطناعي، حيث تُظهر أن النماذج اللغوية الكبيرة الحديثة تفشل بشكل منهجي في التمييز بين الحالات المحددة وغير المحددة، مما يؤدي إلى استدلال غير معاير.
يُعد ProxyGuard إطاراً إحصائياً يتحكم في كل من أخطاء الإيجاب الكاذب والسلب الكاذب في آليات إصدار البيانات العشوائية باستخدام مجموعة مستهدفة مختومة لتوفير ضمانات موثوقية ذات عينات محدودة، مما يزيد بشكل كبير من القوة الإحصائية في تقييمات الهدف المشترك المباشرة مع الحفاظ على المتانة لشهادة الإصدار المسمى.
تقدم هذه الورقة FlashAttention-V، وهي تنفيذ لـ FlashAttention بنظام الكتل (blocked) مُحسَّن للبنيات المتجهة القابلة للتوسع، والتي تسرع استدلال نماذج المحولات (transformer inference) على وحدات المعالجة المركزية (CPUs) بشكل كبير عبر الاستفادة من التوازي بين الرؤوس (inter-head parallelism) والوصول الفعال للذاكرة، محققةً تسريعات تصل إلى 42 ضعفاً في مرحلة الـ prefill و11 ضعفاً في مرحلة الـ decode، مع تسليط الضوء أيضاً على الاختناقات الهيكلية في تنسيقات التكميم (quantization formats) الحالية للتنفيذ طويل المتجهات.
تقدم هذه الورقة معياراً تجريبياً لتسعة نماذج من التعلم العميق للتنبؤ باستهلاك الطاقة في العدادات الذكية، كاشفةً أنه في حين يتفوق التعلم العميق على النماذج المرجعية الكلاسيكية، فإن البنيات خفيفة الوزن تقدم دقة مماثلة بتكاليف حوسبة أقل، وأن الاختلافات الهيكلية لا تؤثر بشكل كبير على الأداء إلا في آفاق التنبؤ الطويلة ومجموعات البيانات غير المتجانسة.
تقيم هذه الدراسة مختلف مصنفات تعلم الآلة على مجموعتي بيانات لأمراض القلب، حيث وجدت أن آلات المتجهات الداعمة وشرائح القرار البسيطة تتفوق على الطرق الأخرى في الدقة وتقليل الخطأ، مما يبرهن على إمكانات نماذج تعلم الآلة في تعزيز التشخيص المبكر واتخاذ القرارات السريرية.
تتوقع هذه الدراسة، التي تستخدم التعلم العميق لتحليل بيانات دول الاتحاد الأوروبي الـ 27 حتى عام 2023، أن الاتجاهات الحالية ستؤدي إلى عجز بنسبة 35% في تحقيق هدف المناخ لعام 2030، مدفوعاً بشكل أساسي بالجمود الهيكلي في قطاع التنقل رغم التقدم المحرز في مجال توليد الطاقة، مما يسلط الضرض على الحاجة الماسة لتكثيف التدخلات السياساتية.
تقدم هذه الورقة أول تقييم منهجي لأربع طرق لتقدير عدم اليقين مدمجة مع نموذج تأسيسي للتجزئة الدلالية، مما يكشف عن مقايضات حرجة بين الأداء التنبؤي، والموثوقية، والتكلفة الحسابية عبر إعدادات النطاق الداخلي والنطاق الخارجي.
تُثبت هذه الورقة أن دمج تسميات التكافؤ (parity labels) في سمات نماذج تعلم الآلة هو خيار تصميمي حاسم يضمن تنبؤات دقيقة فيزيائياً للخصائص المحظورة تناظرياً في البلورات ذات المركز المتماثل، في حين أن النماذج التي تفتقر إلى هذه السمة تنتج أخطاءً مستحيلة فيزيائياً في جميع الحالات تقريباً دون التضحية بالدقة.