cs.LG ورقة بحثية

Reducing Bias and Variance: Generative Semantic Guidance and Bi-Layer Ensemble for Image Clustering

تقترح هذه الورقة البحثية إطار عمل GSEC، وهو إطار عمل جديد لتجميع الصور يستفيد من النماذج اللغوية الكبيرة متعددة الوسائط للتوجيه الدلالي التوليدي واستراتيجية تجميع ثنائية الطبقات لتقليل الانحياز والتباين في آن واحد، متفوقاً بذلك على 18 طريقة من أحدث الأساليب عبر ست مجموعات بيانات مرجعية.

Feijiang Li, Zhenxiong Li, Jieting Wang, Zizheng Jiu, Saixiong Liu, Liang Du2026-05-14

🤖 machine learning

U-HNO: A U-shaped Hybrid Neural Operator with Sparse-Point Adaptive Routing for Non-stationary PDE Dynamics

تقترح الورقة البحثية U-HNO، وهو مؤثر عصبي هجين على شكل حرف U يتميز بتوجيه تكيفي للنقاط المتفرقة (SPAR) يقوم ديناميكيًا بالاختيار بين فروع فوريه العالمية وفروع غاوس متعددة المقاييس المحلية بناءً على التباين المحلي، محققًا دقة هي الأفضل في حالتها في حل المعادلات التفاضلية الجزئية غير المستقرة التي تتواجد فيها ميزات ناعمة وحادة معًا عبر معايير قياسية متنوعة.

Yingzhe Ma, Xiao Yang, Yuxin Xie, Zihan Xiong, Jinliang Liu2026-05-14

🤖 AI

Protocol-Driven Development: Governing Generated Software Through Invariants and Evidence

تقدم هذه الورقة نموذج "التطوير القائم على البروتوكول" (PDD)، وهو نموذج حوكمة للهندسة البرمجية المؤتمتة يعطي الأولوية للبروتوكولات القابلة للإنفاذ آلياً والتي تحدد الثوابت الهيكلية والسلوكية والتشغيلية على حساب الكود العابر، مما يضمن عدم قبول التنفيذات المولدة إلا من خلال أدلة قابلة للتحقق من الامتثال للبروتوكول بدلاً من الثقة في المولد.

Jun He, Deying Yu2026-05-14

🤖 machine learning

Decision Tree Learning on Product Spaces

توسع هذه الورقة البحثية التحليل النظري لخوارزمية شجرة القرار الجشعة من الأعلى إلى الأسفل من التوزيعات الموحدة إلى التوزيعات الضربِيّة التعسفية، حيث تثبت أنها تبني شجرة تقريبية بمقدار $\epsilon$ بحجم محدود بـ $\exp(\Delta_{\text{opt}} D_{\text{opt}} \log(e/\epsilon))$ مع تقديم خوارزمية عملية خالية من المعلمات تُحسن النتائج السابقة.

Arshia Soltani Moakahr, Faraz Ghahremani, Kiarash Banihashem, MohammadTaghi Hajiaghayi2026-05-14

🤖 machine learning

Not Just RLHF: Why Alignment Alone Won't Fix Multi-Agent Sycophancy

تتحدى هذه الورقة الرأي السائد بأن التملق الناتج عن التعلم المعزز من التغذية الراجعة البشرية (RLHF) هو السبب الرئيسي في تحول النماذج اللغوية الكبيرة متعددة الوكلاء إلى إجابات خاطئة تحت ضغط الأقران، مبرهنةً بدلاً من ذلك على أن النماذج الأساسية سابقة التدريب تظهر نقاط ضعف مماثلة بسبب آلية انتباه محددة في الطبقة الوسطى تعمل على كبح الاستدلال الواضح، مما يدفع للقول بأن فرض المعارضة المنظمة على مستوى خط المعالجة (pipeline-level) هو استراتيجية التخفيف الفعالة بدلاً من الدفاعات على مستوى المطالبة (prompt-level).

Adarsh Kumarappan, Ananya Mujoo2026-05-14

🤖 machine learning

DP-Muon: Differentially Private Optimization via Matrix-Orthogonalized Momentum

تقدم هذه الورقة DP-Muon، وهو مُحسِّن ذو خصوصية تفاضلية يدمج الزخم ذو القيم المصفوفية مع تعامد نيوتن-شولز مع ضمانات خصوصية صارمة، وتقترح نسخة مصححة الانحياز (DP-MuonBC) تعمل على تحسين الفائدة بشكل كبير في الضبط الدقيق الخاص دون زيادة ميزانية الخصوصية.

Jihwan Kim, Chenglin Fan2026-05-14

🤖 machine learning

Frequency Bias and OOD Generalization in Neural Operators under a Variable-Coefficient Wave Equation

تستقصي هذه الورقة قدرات التعميم لمؤثرات فورييه العصبية (FNO) وDeepONets في ظل تحولات التوزيع الهيكلية في معادلة موجية ذات معاملات متغيرة، كاشفةً أنه بينما يتعامل كلا النموذجين جيداً مع تحولات نعومة المعاملات، إلا أنهما يظهران انحيازات ترددية متميزة حيث يعاني FNO مع الترددات العالية غير المرئية بينما يتدهور أداء DeepONet بشكل طفيف رغم ارتفاع الخطأ الإجمالي.

Runlong Xie, An Luo2026-05-14

🤖 machine learning

\emph{DRIFT}: A Benchmark for Task-Free Continual Graph Learning with Continuous Distribution Shifts

تقدم هذه الورقة البحثية DRIFT، وهو معيار للتعلم المستمر للرسوم البيانية الخالي من المهام والذي ينمذج تحولات التوزيع المستمرة عبر صيغة مزيج موحدة متغيرة زمنياً، كاشفةً أن الأساليب الحالية التي تعتمد على حدود مهام منفصلة تعاني من تدهور كبير في الأداء في البيئات غير المستقرة الواقعية.

Guiquan Sun, Xikun Zhang, Jingchao Ni, Dongjin Song2026-05-14

🤖 machine learning

JEDI: Joint Embedding Diffusion World Model for Online Model-Based Reinforcement Learning

يقدم JEDI أول نموذج عالمي يعتمد على الانتشار الكامن (latent diffusion) عبر الإنترنت من البداية إلى النهاية، والذي يوحد بين تعلم التمثيل التنبؤي بأسلوب JEPA وأهداف الانتشار لتحقيق كفاءة فائقة وأداء تنافسي في التعلم المعزز القائم على النموذج مقارنة بكل من النهج القائم على البكسل والنهج الكامن المدرب بشكل منفصل.

Jing Yu Lim, Rushi Shah, Zarif Ikram, Samson Yu, Haozhe Ma, Tze-Yun Leong, Dianbo Liu2026-05-14

💬 NLP

Understanding and Accelerating the Training of Masked Diffusion Language Models

تحدد هذه الورقة البحثية انحياز الموضعية في اللغة كسبب رئيسي لبطء التدريب في نماذج الانتشار المقنعة، وتقترح استراتيجية أخذ عينات زمنية على شكل جرس تسرع التدريب بمقدار يصل إلى 4 أضعاف مع الحفاظ على الأداء أو تحسينه عبر مختلف المعايير المرجعية.

Chunsan Hong, Sanghyun Lee, Chieh-Hsin Lai, Satoshi Hayakawa, Yuhta Takida, Yuki Mitsufuji, Seungryong Kim, Jong Chul Ye2026-05-14

→ السابق التالي ←