23164 ورقة بحثية
تجادل هذه الورقة بأن الادعاءات المتعلقة بالوصول إلى "أحدث ما توصل إليه العلم" في أبحاث الذكاء الاصطناعي غالباً ما تفتقر إلى أدلة من الاختبارات المعيارية، حيث تعتمد التحسينات في الدرجات الإجمالية بشكل متكرر على القيم المتطرفة بدلاً من التفوق المستمر والقوي، مما يستوجب تقريراً أكثر صدقاً ودقة لأداء النماذج.
تقدم هذه الورقة إطار عمل هجينًا يجمع بين انحدار العملية الغاوسية والمحاكاة التاريخية، يدمج بين نمذجة التقلب أحادي المتغير الديناميكي والارتباطات التاريخية المستقرة واستراتيجية تهيئة الضجيج الهجومي لتحقيق تنبؤات للتقلب والتباين والتباين المشترك تتوافق مع المعايح التنظيمية وتتفوق على النماذج القياسية الاقتصادية التقليدية بالنسبة لمحفظة الأسهم العالمية.
تستقصي هذه الورقة بشكل منهجي قوانين القياس لنماذج تخطيط كهربائية القلب (ECG) من خلال تدريب 120 نموذجاً عبر أحجام ونماذج معرفية متنوعة، كاشفةً أنه في حين يوفر التعلم الخاضع للإشراف الذاتي كفاءة فائقة في البيانات والنقل، فإن المسار الأمثل للوصول إلى نماذج تأسيسية فعالة لتخطيط كهربائية القلب يعتمد على المواءمة الاستراتيجية بين البنية (ResNet مقابل Transformer) ونموذج ما قبل التدريب بدلاً من الاعتماد فقط على التوسع بالقوة الغاشمة.
تقدم هذه الورقة A2RBench، وهو مسار مؤتمت لإنشاء اختبارات قياس للاستدلال التجريدي قابلة للتحقق رسميًا باستخدام اتساق الدورة لضمان الحلول الفريدة، مما يكشف أن النماذج اللغوية الكبيرة الحالية تقصر بشكل كبير عن البشر في الاستدلال التجريدي وتواجه صعوبة في المهام عالية الأبعاد.
تقدم هذه الورقة CLAP، وهو إطار عمل مدرك للموقع يعمل على تحسين المطالبات الناعمة (soft prompts) لكل حاجز طريق في الفضاء الكامن لنماذج الرؤية واللغة والعمل (Vision-Language-Action) المجمدة، وذلك لتقليل أخطاء التخطيط بشكل كبير في سيناريوهات القيادة النادرة والحرجة على السلامة في حالات الذيل الطويل دون المساس بالأداء في الإطارات العادية.
تقدم الورقة البحثية LEAP، وهي طريقة تقليم تكيفية قابلة للتعلم من طرف إلى طرف تستخدم استرخاءً لكل وزن من نوع (Bernoulli-via-Gumbel-sigmoid) لتمكين تعلم التشتت غير المهيكل القابل للمعالجة في النماذج اللغوية الكبيرة، متفوقة بشكل كبير على النماذج المرجعية الحالية على مستوى الطبقة في دقة الصفر التقديري عند مستويات التشتت العالية.
تُعد DISA (الترسيخ عبر أخذ العينات بالأهمية المنفصلة) طريقة جديدة للتعلم المعزز غير المتصل القائمة على مطابقة التوزيع، حيث تقوم بحساب تقديرات دالة التجزئة مسبقاً وتجميدها عبر أخذ العينات بالأهمية للقضاء على أخطاء المعايرة، مما يمكن النماذج اللغوية الكبيرة من تعلم استراتيجيات حل متنوعة تتفوق على كل من النماذج المرجعية لتعظيم المكافأة ونهج مطابقة التوزيع المتصل عبر الإنترنت.
تُثبت هذه الورقة أن حقن مسودات غير صحيحة رياضياً من نموذج أصغر مُدرب على مجال محدد وغير متوافق مع المشكلة الحالية في سياق تدريب GRPO لنموذج متعلم أقوى، يتفوق بشكل كبير على الضبط الدقيق القياسي المعتمد على السياسة (on-policy fine-tuning) والمتغيرات الأخرى، محققاً نتيجة قياسية جديدة تبلغ 71.98% على MATH-500 لنموذج Mathstral-7B دون الحاجة إلى ضبط دقيق موجه (SFT)، أو نماذج مكافأة، أو بيانات مُخلّقة.
تقدم هذه الورقة "لابلاسيان الفائق متعدد المقاييس مع التحسين العصبي" (MSHL)، وهو إطار عمل ثنائي المراحل يعمل بفعالية على استكمال البيانات المفقودة المهيكلة في الشبكات الاستشعارية من خلال اكتشاف علاقات المجموعات ذات الرتب العليا عبر فائق هياكل متعددة المقاييس وتطبيق تصحيحات غير خطية آمنة ومتكيفة، متفوقاً بذلك على طرق الرسوم البيانية التقليدية الثنائية في سيناريوهات حركة المرور الواقعية.
تقدم هذه الورقة تقنية تشكيل ميزة تنوع الأخطاء (EDAS)، وهي تقنية لاحقة خفيفة الوزن تعزز التعلم التعزيزي من المكافآت القابلة للتحقق (RLVR) عبر تعديل إشارات الميزة بناءً على تنوع الأخطاء داخل المجموعة لمعاقبة الإخفاقات المتكررة مع تشجيع الاستدلال الاستكشافي، مما يؤدي إلى تحسينات مستمرة في الأداء عبر العديد من المعايكير.