23608 ورقة بحثية
تقدم هذه الورقة "بدايات الألعاب المعززة بالبيانات" (DAGS)، وهي طريقة تسرع عملية الاستكشاف في ألعاب المعلومات غير الكاملة واسعة النطاق من خلال تهيئة التعلم التعزيزي من عروض توضيحية بشرية غير متصلة، مما يحقق قابلية استغلال أقل في ظل ميزانيات حوسبة ثابتة مع توفير حلول لانحيازات التوازن المحتملة.
تقدم الورقة البحثية "Nexus"، وهو إطار عمل متعدد الوكلاء يعمل على تفكيك التنبؤ بالسلاسل الزمنية إلى مراحل متخصصة لدمج البيانات السياقية غير المهيكلة مع الأنماط الرقمية بفعالية، مما يمكّن النماذج اللغوية الكبيرة الحالية من مضاهاة أو التفوق على النماذج الرائدة مع توفير مسارات استدلال شفافة.
تقدم هذه الورقة إطار عمل مبتكر لتدريب النماذج البديلة للأنظمة الفوضوية، والذي يحقق في آن واحد دقة عالية في تقدير جاكوبي المحلي والسلوك الإحصائي طويل الأمد من خلال تقليل الحد الأقصى لتباين متوسط التباعد بين توزيعات الدفع لتغطيات فضاء الطور المحلية.
تقدم هذه الورقة البحثية MahaVar، وهو أسلوب كشف عن القيم الخارجة عن التوزيع لاحقاً (post-hoc) يستفيد من الملاحظة ذات الأسس النظرية التي تشير إلى أن العينات ضمن التوزيع تظهر تبايناً عالياً في مسافة ماهالانوبيس لكل فئة نتيجة لهندسة الانهيار العصبي (Neural Collapse)، محققاً أداءً هو الأفضل في فئته على المعايير القياسية.
تقدم هذه الورقة مهمة التنبؤ بالسلاسل الزمنية القائمة على التوقعات المضادة مع الشروط النصية، مقترحةً آلية جديدة لنسب النصوص وإطار تقييم شامل لتمكين تنبؤات مرنة ومدركة للشروط في السيناريوهات المعقدة الواقعية حيث تؤثر الأحداث المستقبلية على النتائج.
تقترح هذه الورقة إطار عمل "ممثل-ناقد" اتحادي أحادي المقياس الزمني يوازن بين التعلم التعاوني والتخصيص من خلال مشاركة فضاء جزئي خطي مشترك مع الحفاظ على مكونات السياسة المحلية، محققاً تقارباً في زمن محدد مع تسريع خطي بالنسبة لعدد الوكلاء، ومظهراً أداءً فائقاً في المهام غير المتجانسة.
تقترح هذه الورقة إطار عمل للتعلم التعزيزي يعمل على تحسين نموذج "مُحفز" (prompter) خفيف الوزن من خلال التقطير التكراري للخبرة لتعزيز قدرات الاستدلال متعدد الخطوات واستخدام الأدوات للنماذج اللغوية الكبيرة (LLMs) ذات الصندوق الأسود والمجمدة بشكل كبير، محققةً أداءً وكفاءة في العينات يتفوقان على النماذج التطورية المرجعية الحالية.
تقدم الورقة البحثية LiSA، وهو إطار عمل لاستقراء السياسات التحفظية يعمل على تعزيز حواجز الحماية الثابتة للذكاء الاصطناعي من خلال تحويل حالات فشل النشر المتفرقة والمشوشة إلى تجريدات سياسات قابلة لإعادة الاستخدام عبر ذاكرة مهيكلة، مما يمكّن الوكلاء من التكيف مع مخاطر السلامة السياقية دون الحاجة إلى ضبط دقيق متكرر.
تقترح هذه الورقة مُقدِّر مخاطر تجريبي مُركَّز جديد لتعلم البيانات الموجبة وغير المصنفة (PU) يحقق أداءً هو الأفضل في فئته على مجموعات البيانات شديدة عدم التوازن من خلال تدريب مصنفات ثنائية بفعالية باستخدام كل من الأمثلة الموجبة وغير المصنفة، مع نجاح مُثبت في كل من السيناريوهات المنضبطة والكشف عن الأخطاء المالية في العالم الحقيقي.
تقدم هذه الورقة ArcGate، وهي دالة تنشيط بوابية تعتمد على ظل التمام (arctangent) وتتكيف مع المعطيات وتتضمن معاملات قابلة للتعلم تعمل على تحسين اللاخطية ديناميكيًا، مما يظهر دقة فائقة ومقاومة للضوضاء مقارنة بالنماذج المرجعية القياسية في مهام الاستشعار عن بعد باستخدام بنيات ResNet-50 وViT.