23609 ورقة بحثية
تقترح هذه الورقة مصنفاً متعدد الفئات بنظام الإضافة لعمليات الانتشار يقوم بتقدير دالات الانجراف الخاصة بكل فئة باستخدام الشبكات العصبية، مع إثبات معدلات التقارب للمخاطر الزائدة وإظهار أداء متفوق على الطرق الحالية من خلال الاستفادة من بنية الانتشار والتعامل مع الانجرافات التركيبية عالية الأبعاد.
تقدم الورقة البحثية نموذج CAFT، وهو نموذج رؤية-لغة تم تدريبه على 30 مليون زوج من الصور والنصوص، والذي يستخدم مبدأ تعلم هرمي من الجزء إلى الكل لمحاذاة المناطق النصية المحلية مع تفاصيل الصور، محققاً أداءً هو الأفضل في فئته على معايير استرجاع النصوص الطويلة دون الحاجة إلى إشراف صريح على مستوى المناطق.
يُعد DiscoverLLM إطار عمل مبتكر يدرب النماذج اللغوية الكبيرة لمساعدة المستخدمين على اكتشاف وتجسيد نواياهم الغامضة من خلال محاكي مستخدم قائم على الحالة المعرفية، مما يؤدي إلى تحسين أداء المهام بشكل كبير، وتقصير المحادثات، ورفع مستوى رضا المستخدم عبر المهام الإبداعية والتقنية والبصرية.
تقدم هذه الورقة البحثية ZKBoost، وهو أول بروتوكول لإثبات التدريب باستخدام المعرفة الصفرية لـ XGBoost يُمكّن مالكي النماذج من التحقق تشفيرياً من صحة التدريب على مجموعات البيانات الملتزم بها دون الكشف عن البيانات أو المعلمات، مع التغلب على الثغرات الأمنية السابقة وتحقيق الكفاءة من خلال تنفيذ متخصص للنقطة الثابتة وتجسيد قائم على VOLE.
تقترح هذه الورقة إطاراً عاماً يُمكّن الموّظفات العصبية من التعامل مع الشروط الحدية المعقدة وغير المتجانسة عبر رسم خرائط للبيانات الحدية إلى امتدادات زائفة كامنة فوق النطاق المكاني بأكمله، مما يحقق دقة رائدة في مختلف مشكلات المعادلات التفاضلية الجزئية دون الحاجة إلى ضبط المعلمات الفائقة.
تقدم هذه الورقة EntRGi، وهي طريقة مبتكرة تقوم بالاستيفاء الديناميكي بين التخفيفات المستمرة للرموز والرموز الصلبة بناءً على الإنتروبيا التنبؤية لتمكين التوجيه الفعال للمكافأة لنماذج اللغة ذات الانتشار المنفصل، مما يظهر تحسينات متسقة على النهج الرائدة في كل من التكيف في وقت الاختبار وما بعد التدريب عبر التعلم المعزز الموجه بالمكافأة (RGRL).
تقدم الورقة البحثية "التحجيم التدريجي الموجه بالإنتروبيا" (EGSS)، وهو إطار عمل جديد للتحجيم في وقت الاختبار يوازن ديناميكيًا بين الكفاءة والفعالية من خلال البحث التكيفي الموجه بالإنتروبيا وتعزيز مجموعة الاختبارات، محققًا أداءً هو الأفضل في فئته في مهام هندسة البرمجيات مع تقليل العبء الحسابي بشكل كبير مقارنة بالطرق الحالية.
تُوصّف هذه الورقة تعميم نماذج الانتشار من خلال تقديم متشعبات حافة كثافة لوغاريتمية تعتمد على الزمن، كاشفةً أن العينات المولدة تتبع آلية "الوصول-المحاذاة-الانزلاق" حيث يتم التحكم في تطورها عبر المكونات العمودية والمماسية لخطأ التدريب، وهو إطار هندسي تم التحقق من صحته من خلال التحليل النظري والتجارب على بيانات اصطناعية وواقعية.
تقدم هذه الورقة البحثية PEPO، وهي خوارزمية تحسين التفضيل المباشر ذات الخطوة الواحدة التي تخفف من حدة الإفراط في التحسين دون الحاجة إلى معرفة بتوزيع البيانات أو نموذج مكافأة صريح، وذلك عبر الاستفادة من مجموعة تشاؤمية من السياسات المدربة على مجموعات بيانات فرعية منفصلة، مما يحقق ضمانات محسنة لتعقيد العينات مع الحفاظ على البساطة العملية لخوارزمية DPO.
تتناول هذه الورقة مشكلة انزياح التوزيع في تعويض البيانات المفقودة تحت فرضية البيانات المفقودة عشوائياً (MAR) من خلال صياغتها كمسألة تقليل المخاطر واقتراح خوارزمية تصحيح مرجحة بالأهمية تقلل بشكل كبير من جذر متوسط مربع الخطأ (RMSE) ومسافة واسرستاين (Wasserstein distance) مقارنة بالنماذج المرجعية المتطورة.