23364 ورقة بحثية
تقدم هذه الورقة البحثية RLCR (التعلم التعزيزي مع مكافآت المعايرة)، وهو نهج تدريب مبتكر يعزز مكافآت الصحة الثنائية بنتيجة "براير" (Brier score) لتحسين الدقة والثقة المعايرة للنماذج اللغوية في آن واحد، مما يقلل من الهلوسة وتدهور المعايرة الذي غالباً ما يسببه التعلم التعزيزي القياسي.
تتقصى هذه الورقة مدى جدوى استخدام بنيات الشبكات العصبية ذات العصبونات المحدودة لمحاكاة نظريات الحقل الكمي المحلية، وتجد أنه بينما يمكن لهذه البنيات إعادة إنتاج النتائج في الحد اللانهائي، فإن توسعاتها الاضطرابية لقيم المحدودة تعاني من ضعف التقارب بسبب الحساسية فوق البنفسجية، مما يستدعي اقتراح تعديلات بنيوية لتحسين الدقة.
تُعد Genome-Factory أول مكتبة بايثون متكاملة توحد سير العمل الشامل لنماذج التأسيس الجينومية، حيث تعمل على تبسيط عمليات جمع البيانات، وضبط النماذج، والاستدلال، والمقارنة المرجعية، والتفسير البيولوجي من خلال أدوات مثل المفسر القائم على المشفر التلقائي المتناثر.
تتقصى هذه الورقة مساهمات الأنماط في النماذج اللغوية الكبيرة الصوتية (Audio LLMs) الخاصة بالموسيقى عبر تطويع إطار عمل MM-SHAP للكشف عن أنه بينما تعتمد النماذج ذات الأداء العالي بشكل كبير على الاستدلال النصي، إلا أنها لا تزال تستخدم الصوت بفعالية لتحديد مواقع الأحداث الصوتية الرئيسية.
تقدم هذه الورقة "منطق الفرضيات" (LoH)، وهو إطار عمل عصبي رمزي مبتكر يوحد بين القواعد المصممة يدويًا والتعلم القائم على البيانات عبر توسيع المنطق القضايا بمعامل اختيار قابل للتعلم يتم تجميعه في منطق ضبابي قابل للتفاضل، مما يتيح تكاملاً مرنًا للمعرفة واستدلالًا بولينياً منفصلاً دون فقدان في الأداء.
تقدم هذه الورقة البحثية "توجيه التنشيط غير المؤلم" (Painless Activation Steering - PAS)، وهو أسلوب مؤتمت بالكامل وخفيف الوزن يقوم ببناء ناقلات التنشيط من مجموعات البيانات المصنفة دون تدخل بشري لتوجيه النماذج اللغوية الكبيرة بفعالية نحو السلوكيات المرغوبة، متفوقاً على التقنيات الحالية في القدرة على التحكم والكفاءة مع إظهار فعالية محددة للمهام الموجهة نحو السلوك.
تقترح هذه الورقة آلية توجيه متعددة الوسائط جديدة لا تتطلب تدريباً، تستفيد من تضمينات الوسائط لفرض محاذاة موحدة عبر الفيديو والصوت والنص، مما يؤدي إلى تحسين الجودة الإدراكية والتماسك الدلالي لتوليد الفيديو إلى صوت دون الحاجة إلى إعادة تدريب مكلفة.
تقدم هذه الورقة "نماذج المستشار" (Advisor Models)، وهي طريقة لتدريب نماذج صغيرة مفتوحة الأوزان لتوليد نصائح لغوية طبيعية ديناميكية لكل حالة على حدة، مما يعمل بفعالية على توجيه وتعزيز أداء النماذج اللغوية الكبيرة الأمامية غير القابلة للوصول (black-box) من خلال التحسين البارامتري دون تعديل أوزانها.
تقدم هذه الورقة البحثية "الاشتقاق التنازلي المتساوي" (Egalitarian Gradient Descent - EGD)، وهو تعديل بسيط يعمل على تطبيع التدرجات لضمان سرعة تطور موحدة عبر جميع الاتجاهات الرئيسية، مما يثبت نظرياً وتجريبياً أنه يسرع بشكل كبير أو يقضي تماماً على ظاهرة "الاستيعاب المفاجئ" (grokking) حيث يتحسن أداء التعميم فجأة بعد ركود طويل.
تقدم هذه الورقة البحثية نموذج G-GBM، وهو نموذج تعزيز التدرج البياني الاستقرائي (inductive graph gradient boosting machine) الذي يجمع بفعالية بين متانة تعزيز التدرج والميزات البيانية غير المتجانسة القابلة للتفسير ليتفوق على الأساليب الرائدة أو يضاهيها في كشف الاحتيال التأميني مع معالجة تحديات مثل عدم توازن الفئات والبيانات الديناميكية.