23609 ورقة بحثية
يُعد AdeptHEQ-FL إطار عمل موحداً هجيناً للتعلم الاتحادي الكلاسيكي-الكمي يدمج التشفير المتماثل التكيفي، وتوفير الطبقات الديناميكي، والتجميع الموزون بالدقة لتعزيز أداء النموذج في آن واحد، وضمان ضمانات الخصوصية الرسمية، وتقليل عبء الاتصالات في البيئات اللامركزية غير المتجانسة (non-IID).
تقدم الورقة البحثية وكلاء تنقيب الأمراض النادرة (RDMA)، وهو إطار عمل وكيل يستفيد من نماذج لغوية كبيرة أصغر حجماً ومكممة مع أدوات متخصصة لاستخراج معلومات الأمراض النادرة بدقة من السجلات الصحية الإلكترونية غير المهيكلة دون تدريب خاص بالمهمة، مما يحقق أداءً فائقاً وخفضاً كبيراً في التكاليف مقارنة بالنماذج المرجعية القائمة على الضبط الدقيق أو التوليد المعزز بالاسترداد (RAG)، مع تمكين النشر الخاص في الموقع.
تثبت هذه الورقة أن خوارزمية GPTQ مكافئة رياضياً لخوارزمية "باباي" للمستوى الأقرب (Babai's nearest plane algorithm) لحل مسألة المتجه الأقرب في شبكة (lattice) محددة بواسطة مصفوفة هيسيان (Hessian) المدخلة، مما يوفر تفسيراً هندسياً، وحدود خطأ نظرية، وأساساً لتطوير طرق تكميم متفوقة وخالية من عملية القص (clipping-free).
تقدم هذه الورقة البحثية طريقة تقليل خطأ أخذ العينات التعاوني (CoSER)، وهي طريقة أخذ عينات تكيفية مركزية تخفف من أخطاء أخذ العينات المشتركة في تعلم التعزيز متعدد الوكلاء من خلال تنسيق اختيار الإجراءات، مما يحسن بشكل كبير من موثوقية وتقارب خوارزميات السياسة المباشرة المستقلة.
تقدم هذه الورقة GNNev، وهي أداة تحقق دقيقة توظف حل القيود التدريجي لتوفير ضمانات متانة سليمة وكاملة لشبكات الرسم البياني العصبية ذات تمرير الرسائل ضد الاضطرابات الهيكلية والسمات، مع توسيع الدعم ليشمل وظائف التجميع بالجمع، والحد الأقصى، والمتوسط، مع كفاءة مثبتة على مجموعات بيانات من العالم الحقيقي.
يُعد GLASS إطار عمل لا يتطلب تدريباً يعمل على تحسين التناثر أثناء الاستدلال للنماذج اللغوية الكبيرة من خلال تجميع التنشيطات المحلية الخاصة بالمطالبة والبوادئ الجوهرية العالمية للنموذج عبر تجميع الرتب، مما يؤدي إلى استقرار تقليم الشبكات العصبية المغذية الديناميكية وتعزيز دقة التوليد وسرعة فك التشفير بشكل كبير، لا سيما في سيناريوهات المطالبات القصيرة والنصوص الطويلة.
تُعدُّ CR-Net إطار عمل كفؤاً من حيث المعلمات، حيث تستفيد من خصائص الرتبة المنخفضة لبواقي التنشيط بين الطبقات من خلال بنية ثنائية المسار واستراتيجية إعادة حساب متخصصة للتفوق على الأساليب الحالية ذات الرتبة المنخفضة في مرحلة ما قبل التدريب للنماذج اللغوية الكبيرة مع تقليل التكاليف الحسابية وتكاليف الذاكرة بشكل كبير.
تقترح الورقة البحثية نموذج DAWM، وهو نموذج عالمي معياري قائم على الانتشار يولد مسارات الحالة والمكافأة المستقبلية مشروطة بالحالات والأفعال الحالية، مقترناً بنموذج ديناميكيات عكسي لاستنتاج الأفعال، مما يتيح تدريباً فعالاً لفرق الفروق الزمنية بخطوة واحدة للتعلم التعزيزي غير المتصل، ويتفوق على النماذج المرجعية الحالية في اختبارات D4RL.
تقدم هذه الورقة O3، وهي طريقة مستقلة عن النموذج تتيح التحسين في الصندوق الأسود بكفاءة في العينات عبر النماذج التوليدية للمتغيرات المستمرة، وذلك من خلال الاستفضاء من فضاءات كامنة بديلة منخفضة الأبعاد وخالية من التدريب لإيجاد عينات متفوقة خاصة بمهمة معينة دون إعادة تدريب النموذج الأساسي.
تقترح هذه الورقة استبدال دالة "softmax" القياسية ببارامترية "catnat" مبتكرة تعتمد على تقسيمات ثنائية هرمية للتغلب على قيود التدرج في المتغيرات الكامنة الفئوية، مبرهنةً من خلال الهندسة المعلوماتية والتجارب المكثفة أن هذا النهج يؤدي إلى مصفوفة معلومات فيشر قطرية، وتحسين كفاءة التعلم، وأداء اختبار متفوق عبر مهام التعلم العميق المتنوعة.