23511 ورقة بحثية
تقيم هذه الدراسة النماذج البديلة للشبكات العصبية لانتشار عدم اليقين في التوصيل الحراري العشوائي، كاشفةً أنه بينما تتنبأ بدقة بالمجالات المتوسطة، فإنها تعاني من أخطاء أكبر بكثير عند أطراف التوزيع بسبب الاستقراء، مع إظهار الشبكات كاملة الاتصال المدربة على بقايا الصيغة الضعيفة أداءً فائقاً في التعامل مع هذه الحالات القصوى.
تحلل هذه الورقة تجريبيًا مقايضات الأداء بين بنيات التعلم الاتحادي المركزية، واللامركزية، وشبه اللامركزية باستخدام محاكي Fedstellar، ومجموعة بيانات MNIST، ومصنف MLP لمعالجة نقص الدراسات المقارنة حول نقاط القوة والقيود الخاصة بكل منها.
تقترح الورقة البحثية FedHF-Impute، وهو إطار عمل اتحادي لتعويض البيانات يستخدم رسمًا بيانيًا عالميًا مشتركًا للميزات لتمكين نقل المعرفة غير المباشر عبر العملاء وتحسين الدقة بشكل كبير في فضاءات الميزات غير المتجانسة حيث يلاحظ العملاء فقط مجموعات فرعية متداخلة جزئيًا من الميزات.
تحدد هذه الورقة تشتت الانتباه كنمط فشل رئيسي لنماذج المحولات الرسومية الديناميكية تحت تأثير تحولات التوزيع الزمني، وتقترح حلاً قابلاً للنقل، وهو DiffDyG، الذي يستخدم الانتباه التفاضلي لتثبيط الإشارات المشتركة وتضخيم الميزات المميزة، محققاً بذلك أداءً هو الأفضل في فئته عبر عدة معايير قياسية.
تقدم هذه الورقة بحثًا حول "مطابقة التدفق متعدد الدقة" (Multi-Fidelity Flow Matching - MFFM)، وهو إطار عمل للتنقيح المتتالي يعمل على معايرة توزيع مصدر مطابقة التدفق مع البواقي من الدقة المنخفضة إلى العالية، ويقوم بتكييف شبكة السرعة بناءً على الحلول منخفضة الدقة لتعلم حل معادلة تفاضلية جزئية (PDE) حتمي يشبه أسلوب الشبكة متعددة المستويات (multigrid-like) بكفاءة، مما يتطلب تقييمًا واحدًا فقط للشبكة لكل مستوى دقة.
تقترح هذه الورقة مجدول تقطيع يعتمد على معدل الإنتروبيا ولا يتطلب تدريباً، يقوم بتخصيص خطوات الاستدلال ديناميكياً لأجهزة أخذ عينات التدفق وجسر شرودنغر، مما يحسن جودة العينات بشكل كبير في أنظمة التقييم المنخفضة لعدد عمليات التقييم الوظيفي عبر معايير متنوعة تشمل CIFAR-10 وتوليد البروتين.
تقدم هذه الورقة البحثية LLQR+SAM، وهي طريقة تحسين مبتكرة تجمع بين تقليل الحدة الواعية (Sharpness-Aware Minimization) وبين مُهيئ مسبق (preconditioner) مُتعلم ومُحدث ببطء من إطار عمل LLQR لاستهداف الهروب من الحد الأدنى الحاد الذي يشبه "حفر الطريق" (pothole) تحديداً مع الحفاظ على الاستقرار في الأحواض الواسعة والمسطحة، مما يجعلها تتفوق على كل من SAM وLLQR بمفردهما عبر مختلف المعايير المرجعية.
تقدم هذه الورقة تقنية "التقنيع الاحتمالي للكتل" (PCM)، وهي تعديل فعال حاسوبياً على التعلم التعزيزي القائم على نماذج الرؤية واللغة والأفعال (VLA) باستخدام خوارزمية (GRPO)، والتي تسرع التدريب بشكل كبير وتقلل من استهلاك الذاكرة عبر اختيار نشر التدرجات (backpropagating gradients) فقط خلال كتل المسارات التي تتباين فيها عمليات التشغيل الناجحة والفاشلة، دون الحاجة إلى نماذج مكافأة أو ناقد إضافية.
تقدم الورقة البحثية SwAIther-Precip، وهو إطار عمل لتقليص النطاق مدرك لزمن التوقع، يجمع بين تصحيح الانحياز الحتمي والتحسين الفائق القائم على الانتشار لتحويل توقعات الذكاء الاصطناعي العالمية ذات الدقة المنخفضة بفعالية إلى حقول هطول أمطار احتمالية عالية الدقة بمقياس كيلومتري فوق سويسرا، مما يقلل الخطأ بشكل كبير ويعيد إنتاج التباين المكاني الملحوظ حتى خمسة أيام قادمة.
تقترح هذه الورقة إطار عمل BAPR، وهو إطار تعلم تعزيزي بايزي فاقد للذاكرة (amnesic) ومتين جزئيًا يوحد بين الكشف البايزي عن التغير عبر الإنترنت وبين التعلم التعزيزي المجموعي المتين لموازنة التحفظ والقدرة على التكيف ديناميكيًا في التحكم المستمر غير المستقر، مع التحقق من ضماناته النظرية وحدود الخطأ آليًا وبصرامة باستخدام لغة Lean 4.