23164 ورقة بحثية
تؤسس هذه الورقة نظرية هندسية لرؤوس الإسقاط في التعلم الخاضع للإشراف الذاتي، حيث تُنمذجها كمتريات ريمانية قابلة للتدريب تفصل بين النماذج الهيكلية الدلالية والقيود الموضوعية، حيث تتيح العمق غير الخطي والتنشيطات السلسة الهروب من الانهيار البعدي عبر الانحناء السالب، بينما تظل الرؤوس الخطية أو القائمة على دالة ReLU غير مستقرة دون ديناميكيات زمنية منفصلة.
تقترح هذه الورقة خوارزمية التدرج المتناقص الإسقاطي غير المحدب مع تهيئة طيفية لإكمال المصفوفة الاستقرائي المشوش مع معلومات جانبية غير دقيقة، مع وضع شرط انتظام يضمن التقارب الخطي وتعقيد العينات الذي يتناسب مع بُعد المعلومات الجانبية بدلاً من بُعد المصفوفة المحيطة.
يقدم OPTNet وحدة فرز نقاط (Point Sorter) قابلة للتعلم تعمل على تحسين ترتيب النقاط ديناميكيًا عبر التعلم ذاتي الإشراف لتعزيز المحلية في آليات الانتباه، مما يحقق كفاءة ودقة فائقتين في التجزئة الدلالية ثلاثية الأبعاد لما بعد الكوارث مقارنة بطرق التسلسل الثابتة الحالية.
تقدم هذه الورقة إطاراً موحداً يجمع بين شبكة نسبة الكثافة المقيدة ومنهج "بايك-بيز" (PAC-Bayes) المتاح في أي وقت لتوفير ضمانات تعميم صارمة وموحدة زمنياً للتعلم تحت ظروف تغير التوزيع المشترك (covariate shift)، مما يقلل بفعالية من مخاطر الهدف مع التحقق من أدائه من خلال بروتوكولات مسجلة مسبقاً.
تقدم هذه الورقة نموذج تجميع "bagging" لآلة المتجهات الداعمة بمساعدة الكم (QSVM) يستفيد من التلدين الكمي لتحسين المتجهات الداعمة للكشف عن بقع الزيت البحرية في صور رادار الفتحة الاصطناعية (SAR) في الوقت الفعلي تقريباً، محققاً أداءً يضاهي النماذج الكلاساسية المرجعية بمعامل تقاطع فوق الاتحاد (IoU) قدره 0.60، ومثبتاً جدوى استخدامه للمراقبة البيئية الفعالة والقابلة للنقل.
تقدم هذه المراجعة الموضوعية منظوراً موحداً لفك التشفير بالاحتمال الأقصى (MLD) لتصحيح الأخطاء الكمومية، وهو أمر مستعصٍ حاسبياً ولكنه أمثل، وذلك عبر استعراض التطورات الأخيرة من خلال العدسات المتكاملة للميكانيكا الإحصائية، والشبكات الموترية، والذكاء الاصطناعي، مع مناقشة روابطها وتطبيقاتها والتحديات المستقبلية المتعلقة بها.
تقدم هذه الورقة إطار عمل موحداً قائماً على معادلة الـ adjoint، يضع أول ضمانات تقارب خالية من الاعتماد على الأبعاد لنماذج الانتشار المنفصلة في أي مقياس احتمالي تكاملي، متجاوزاً بذلك قيود تحليلات تباين كولباك - ليبلر (KL) والتباين الكلي السابقة التي تفشل في ظل وجود احتمالات سابقة مفردة أو تعتمد على أحجام فضاءات حالات كبيرة.
تقدم هذه الورقة إطار عمل لتقييم الأداء يراعي زمن الاستجابة، حيث يقوم بتقييم ثماني بنيات للتعلم العميق لتصنيف الأعطال والهجمات السيبرانية في الوقت الفعلي في الشبكات الكهربائية التي تهيمن عليها العواكس، كاشفةً أنه بينما تحقق النماذج أزمنة اتخاذ قرار في أقل من دورة واحدة، فإن زمن استجابة الاستدلال من البداية إلى النهاية (50-90 مللي ثانية) يتجاوز حالياً متطلبات درجة الحماية، مما يسلط الضوء على فجوة حرجة بين الأداء الخوارزمي والحلول العتادية القابلة للنشر.
تقدم هذه الورقة البحثية كليف-سبليت (CliffSplit) وكليف-لوس (CliffLoss)، وهما بروتوكول تقييم وآلية تدريب على التوالي، لتحديد وتخفيف أخطاء التنبؤ الخفية لنماذج تعلم الآلة الجزيئية التي تحدث في مناطق "المنحدرات" (cliffs) المتشابهة هيكلياً ولكنها متباينة في الخصائص، مما يحول هذه الإخفاقات الموضعية إلى مشكلة معيارية.
تقدم هذه الورقة إطاراً قابلاً للتوسع للتحسين العشوائي لحساب اقترانات النقل الأمثل ثنائية السببية من خلال توظيف استرخاء مُعاقب بتباعد كولباك - ليبلر وخوارزميات تدرج السياسة، مما يتغلب على العوائق الحسابية في فضاءات المسارات المستمرة ويُمكّن من تطبيقات في التمويل القوي وتقدير عدم اليقين المتسلسل.