23413 ورقة بحثية
يُعد PACER إطار عمل قابل للتوسع ويضمن عدم وجود دورات (acyclicity) لاكتشاف السببية، حيث يقوم بتمثيل توزيع على الرسوم البيوية الموجهة غير الحلقية (DAGs) الصالحة عبر تبديلات المتغيرات واحتمالات الحواف، مما يتيح تحسيناً فعالاً على البيانات التدخلية واسعة النطاق دون عدم الاستقرار العددي للقيود اللينة.
تقدم الورقة البحثية CoMole، وهو نموذج تأسيسي توليدي جزيئي قابل للتحكم يستخدم مسار انتشار رسومي مدرك للنماذج الأولية (motif-aware) والتعلم التعزيزي للتغلب على تحديات فضاء العمل على مستوى الذرة، محققاً أداءً فائقاً وصلاحية عبر مهام متنوعة في علوم المواد واكتشاف الأدوية دون الحاجة إلى تصفية لاحقة.
تقترح هذه الورقة إطار عمل للتعلم الاتحادي للشبكات العصبية النبضية يعالج بفعالية تحدي عدم تجانس الدقة الزمنية عبر أجهزة الحافة من خلال تطوير طرق تكيف لدمج معاملات العصبونات المتعلمة عند مقاييس زمنية مختلفة، مما يؤدي إلى استعادة الدقة المفقودة بسبب عدم التطابق الزمني مع تمكين التدريب التعاوني دون مشاركة البيانات الخام.
تقدم هذه الورقة بنية هجينة كمومية-كلاسيكية تدمج الدوائر الكمومية المحددة بالمعلمات كآليات بوابات ميزات ضمن مسار مشفر-فك تشفير، مما يثبت أن هذا النهج يحسن بشكل كبير دقة تقسيم أجسام الملح في الصور السيزمية مقارنة بطرق الدمج الكلاسيكية.
تقدم هذه الورقة إطار عمل SeqMem-Eval، وهو إطار تشخيصي يتجاوز مقاييس الدقة الإجمالية ليوفر تقييماً أكثر دقة لذاكرة النماذج اللغوية الكبيرة المتطورة تسلسلياً من خلال قياس الخصائص الديناميكية مثل النسيان، والنقل السلبي، والمقايضات بين القدرة على التكيف والاستقرار.
تقدم هذه الورقة "توازن المسار " (-Trajectory Balance)، وهي عائلة من دوال الخسارة التي توسع نهج متوسط مربع الخطأ ليشمل جميع تباعدات ، مما يتيح تدريب النماذج التوليدية والنماذج اللغوية الكبيرة باستخدام بيانات خارج السياسة مع الحفاظ على خصائص التحسين المحددة (مثل تغطية الأنماط) لتدرجات تباعد المقابلة لها في السياسة.
تُثبت هذه الورقة أن استخراج الميزات الانتقائية طيفياً يُمكّن نماذج تعلم الآلة التقليدية من التفوق على بنيات التعلم العميق الحديثة أو مضاهاتها في التشخيص القائم على تخطيط كهربائية الدماغ (EEG)، مما يكشف أن آليات الانتباه تفشل في التقاط بصمات عصبية مستقرة بسبب قيود جوهرية في تحديد الميزات الطيفية ذات الصلة.
تكشف هذه الورقة أن النمو الهيكلي في التعلم العميق يختلف جوهرياً عن التقليم لأن الوحدات المدرجة حديثاً تعاني من إشارات تدرج ضعيفة ("مجاعة خلفية")، مما يجعل نجاحها معتمداً على استقرار التكامل والوقت بدلاً من مجرد الاختيار المعماري.
تُثبت هذه الورقة أنه بعد التصحيح لطول عملية التوليد، تُظهر النماذج المدربة على الاستنتاج هندسات مسارات داخلية متميزة — لا سيما في مجالات البرمجة — تعكس تحولات استراتيجية حقيقية ومراقبة لعدم اليقين بدلاً من كونها مجرد عمليات حسابية ممتدة.
تقدم هذه الورقة DiMS، وهو عيِّن يعتمد على الميكانيكا الريمانية المبددة يستخدم الطاقة الحركية، وجذب الجاذبية، والاحتكاك لأخذ عينات دقيقة من الحلول غير المتغيرة بإعادة التشكيل على مستويات حد أدنى من الخسارة، مما يحسن تقدير عدم اليقين في الاستدلال البايزي مقارنة بالطرق الحالية.