23511 ورقة بحثية
تقترح هذه الورقة نموذجاً تأسيسياً جديداً لمحاذاة الكيانات يتغلب على "فجوة أفق الاستدلال" في النماذج التأسيسية الرسومية الحالية من خلال توظيف استراتيجية ترميز متوازية مع مراسي محلية قائمة على البذور ورسم بياني علاقات مدمج لتحقيق محاذاة فعالة دون الحاجة لإعادة التدريب على الرسوم البيانية للمعرفة غير المرئية.
تُعد TabClustPFN شبكة مُدربة مسبقاً تتيح التجميع العنقودي بمرور واحد وبدون تدريب مسبق للبيانات الجدولية غير المتجانسة، وذلك عبر إجراء استدلال بايزي مُتراكم على تعيينات المجموعات والعدد الكلي، متفوقةً بذلك على النماذج المرجعية الحالية دون الحاجة إلى إعادة تدريب خاصة بكل مجموعة بيانات.
يقدم LoRIF طريقة تقريب منخفض الرتبة لدوال التأثير تقلل بشكل كبير من تكاليف التخزين والذاكرة مع الحفاظ على جودة عالية في الإسناد، مما يتيح إسناد بيانات التدريب القابل للتوسع للنماذج ومجموعات البيانات واسعة النطاق.
يقدم SplineFlow خوارزمية مطابقة تدفق ذات أسس نظرية تستخدم مستقلمات B-spline مستقرة لنمذجة الأنظمة الديناميكية المعقدة بفعالية واستيفاء قيود متعددة الهوامش، متفوقاً بذلك على الطرق الحالية القائمة على المستقلمات الخطية في كل من الاختبارات المعيارية الاصطناعية ومهام استنتاج المسارات الخلوية.
تقدم الورقة البحثية NEST، وهو محول تدفق أحداث متداخل (Nested Event Stream Transformer) يحافظ على البنية الهرمية لتسلسلات الأحداث (تسلسلات المجموعات متعددة العناصر) للتغلب على عدم الكفاءة الحسابية والقيود التمثيلية للنماذج المسطحة الحالية، وذلك باستخدام نموذج نمذجة المجموعات المقنعة (Masked Set Modeling) المبتكر لتعزيز كفاءة ما قبل التدريب والأداء في المهام اللاحقة.
تقدم الورقة البحثية PaAno، وهي طريقة تعلم تمثيل قائم على الرقع (patch-based) خفيفة الوزن تستخدم التلافيف أحادية الأبعاد (1D convolutions) ومزيجاً من خسائر الثلاثي (triplet losses) والخسائر المسبقة (pretext losses) لتحقيق أداء رائد في اكتشاف الشذوذ في السلاسل الزمنية مع الحفاظ على الكفاءة الحسابية مقارنة بالبنيات القائمة على المحولات (transformer-based architectures) الثقيلة.
يُعد FlowSteer إطار عمل مبتكر يُمكّن عميلاً واحداً من تصميم سير عمل وكيلِيّ قابل للتنفيذ من البداية إلى النهاية من خلال نموذج تحرير لوحة تقدمي معزز، مستفيداً من التغذية الراجعة اللحظية على مستوى الرسم البياني للتغلب على التحديات المتمثلة في البناء المعتمد على البشر وإصلاح الأخطاء أثناء الحلقة.
تتحدى هذه الورقة الافتراض السائد بأن الشبكات العصبية الرسومية الزائدية (HGNNs) متفوقة عالميًا في التعامل مع الرسوم البيانية الشجرية، وذلك من خلال إثبات أن ميزتها في الأداء مقارنة بالنماذج الإقليدية تعتمد بشكل حاسم على "التوافق بين الهندسة والمهمة"، حيث تتفوق الشبكات العصبية الرسومية الزائدية فقط عندما تتطلب المهمة المحددة (مثل التنبؤ بالروابط) الحفاظ على البنية المترية للمدخلات الرسومية.
تقترح هذه الورقة مقياساً لتقدير عدم اليقين قائمًا على الاضطراب، يحدد خطوات الاستدلال الوسيطة غير الموثوقة في النماذج اللغوية الكبيرة من خلال قياس حساسية الرموز (tokens) لاضطرابات التضمين، مما يظهر أداءً وكفاءةً متفوقين مقارنة بالطرق الاحتمالية وطرق أخذ العينات والطرق البايزية الحالية.
تقترح هذه الورقة إطاراً للتحكم في المخاطر غير المعتمد على التوزيع لضبط ميزانيات الرموز (tokens) التكيفية بشكل أمثل باستخدام عتبات عليا ودنيا مبتكرة لتقليل تكاليف الحوسبة مع الالتزام الصارم بمعدل خطأ يحدده المستخدم.