23608 ورقة بحثية
تقدم الورقة البحثية AIM-DDI، وهو وحدة دمج متعددة الوسائط غير مرتبطة بنموذج محدد، تقوم بتمثيل معلومات الأدوية غير المتجانسة كرموز (tokens) في فضاء كامن مشترك لتعزيز التنبؤ بالتفاعلات الدوائية-الدوائية بشكل فعال، لا سيالما بالنسبة للأدوية غير المرئية، عبر بنيات معمارية متنوعة.
تثبت هذه الورقة أن أنصاف أقطار أقرب جار تحت أخذ العينات المعتمد على الخلط القوي تحتفظ بخصائصها الهندسية المعلوماتية، حيث تُظهر تقارباً شبه مؤكد خالياً من التوزيع وحدود عزم حادة غير تقاربية تعتمد على البعد الجوهري المحلي بدلاً من البعد المحيط.
تقدم هذه الورقة البحثية طريقة "تقسيم النماذج المثالية" (Exemplar Partitioning - EP)، وهي طريقة غير خاضعة للإشراف تعمل على بناء قواميس سمات قابلة للتفسير من تنشيطات النماذج اللغوية باستخدام نماذج مثالية مرصودة بدلاً من الأوزان المتعلمة، محققةً أداءً في التفسير يضاهي المشفّرات التلقائية المتناثرة (sparse autoencoders) باستخدام عدد أقل بنحو 1,000 مرة من رموز التدريب، مع تمكين المقارنات المباشرة بين النماذج وتوفير خاصية الكشف عن القيم الخارجة عن النطاق بشكل مدمج.
تقدم هذه الورقة البحثية خوارزمية أخذ عينات المهام التكيفية المتينة توزيعياً (DRATS)، وهي خوارزمية جديدة للتعلم التعزيزي متعدد المهام تعالج مشكلة عدم توازن تخصيص البيانات من خلال إعطاء الأولوية للمهام الأكثر صعوبة بشكل تكيفي عبر هدف "مينيمكس" (minimax)، مما يؤدي إلى تحسين كفاءة البيانات وأداء الحالة الأسوأ في معايير مثل MetaWorld-MT10 وMT50.
تقدم هذه الورقة إطار عمل لتحديد هوية الأنظمة مستند إلى الفيزياء، يمثل استجابات النبض كتركيبات عشوائية لأسس أسية مخمدة ومستقرة، ويصيغ المشكلة كمسألة تحسين محدب بضمانات نظرية للمؤثرات وقيود فيزيائية مرنة لتمكين الاسترداد القوي والقابل للتفسير والمستقر للأنظمة الديناميكية حتى في ظل ظروف استثارة ضعيفة.
تقدم هذه الورقة مفهوم "الأنوية الدنيا" (minimal cores) لتوضيح أن مسارات الاستدلال في النماذج اللغوية مفرطة في الاكتمال بشكل كبير، مما يكشف أن مجموعة فرعية صغيرة من الخطوات تحافظ على دقة التنبؤ مع تقديم تمثيل هندسي أنظف وأقل أبعاداً لعملية الاستدلال الكامنة.
تُعد MoRe إطار عمل نمطي للتعلم المستمر على البيانات المتسلسلة، حيث تعمل على تفكيك المعرفة إلى وحدات هرمية محددة لتمكين التكيف وإعادة الاستخدام بشكل منهجي مع الحفاظ على التمثيلات الحالية دون تعديلات هيكلية.
تقدم الورقة البحثية LoMETab، وهو تعميم من الرتبة للمجموعات الضمنية الضربيه التي توسع فئة الفرضيات لـ BatchEnsemble وتوفر تنوعاً قابلاً للتحكم من خلال رتبة المهايئ ومقياس التهيئة، مما يوفر إطاراً مرناً لتحسين أداء التعلم العميق للبيانات الجدولية بما يتجاوز البناءات ثابتة الرتبة-1.
تقترح هذه الورقة نهجاً للتعلم التعزيزي باستخدام تحسين السياسة النسبية للمجموعة (GRPO) مع مكافآت دلالية لتوسيع النماذج اللغوية الكبيرة إلى اللغات منخفضة الموارد، مما يخفف بفعالية من "ضريبة المحاذاة" والنسيان الكارثي الناتج عادةً عن الضبط الدقيق الخاضع للإشراف، مع الحفاظ على القدرات العامة وتحسين الجودة الدلالية.
تقدم هذه الورقة "النزول الإحداثي المتماسك" (CoCD)، وهو مُحسِّن حتمي من الدرجة صفر يعمل على تحويل التدرجات القديمة إلى اتجاهات تحديث مستقرة من خلال النزول الإحداثي الدوري الكتلي ذي البداية الدافئة وتنعيم المشهد الضمني، محققاً كفاءة عينات واستقرار تقارب متفوقين مقارنة بالطرق العشوائية الحالية.