23609 ورقة بحثية
تقدم هذه الورقة "الضبط السببي التنافسي" (ACT)، وهي منهجية تستفيد من التدريب التنافسي والتعلم الآلي المؤتمت (AutoML) لتحديد النماذج السببية المثلى لتوليد بيانات سلاسل زمنية واقعية تحاكي بدقة التوزيعات الرصدية والتدخلية، مما يتيح الاستدلال السببي القوي وتطبيقات التوأم الرقمي.
تُثبت هذه الورقة أن التعلم المعزز العميق يمكنه التحكم في دائرة بصرية كمومية باستخدام قياسات تمييز عدد الفوتونات فقط لتحقيق معدل نجاح بنسبة 96% في إعداد حالات الطور التكعيبي وتوليد بوابات الطور الرباعي بشكل مباشر للحوسبة الكمومية للمتغيرات المستمرة الشاملة.
تقدم هذه الورقة "التنبؤ الأدائي المنفصل" (DPP)، وهو إطار عمل يوضح أن المؤسسات يمكنها نشر نماذج داخلية غامضة بشكل استراتيجي مع الكشف عن نماذج مختلفة ومنقحة للمستخدمين لتحقيق مخاطر تشغيلية أقل، وهي ممارسة تظل مربحة حتى عند احتساب تكاليف خداع المستخدمين، مما يسلط الضل على الحاجة الماسة للرقابة التنظيمية على الإفصاح عن النماذج.
تقدم هذه الورقة خوارزمية تعلم متسلسل خارج السياسة تجمع بين تقدير التنعيم اللوغاريتمي وأدوات "باك-بيزيان" (PAC-Bayesian) عبر الإنترنت للتعامل بفعالية مع السيناريو الشائع في العالم الحقيقي المتمثل في تحديث السياسات بشكل تكراري على البيانات المتراكمة، مما يظهر أداءً فائقاً على الأساليب الدفعية الحالية من الناحيتين النظرية والتجريبية.
تقترح الورقة البحثية "آلية تأثير التركيز" (FIM)، وهي إطار عمل يعزز التعلم التعزيزي متعدد الوكلاء التعاوني في ظل المكافآت الشحيحة، وذلك باستخدام معيار قائم على الإنتروبيا وآثار الأهلية لتوجيه الوكلاء نحو مناطق الحالات غير المستكشفة كفايةً والحفاظ على السلوك المشترك المنسق.
تقدم هذه الورقة البحثية "التعطيل المتغير منخفض الرتبة" (LRVD)، وهو إطار عمل بايزي يكسر التماثل الدوراني لتقنية LoRA عبر الاستدلال المتغير لتحديد الرتب الفعالة للمهايئ واليقين التنبؤي تلقائياً مع حد أدنى من العبء الإضافي للمعلمات.
تُثبت هذه الورقة أن الانجراف البعدي يقلل بشكل كبير من دقة التنبؤ خارج العينة للنماذج المفرطة في المعلمات، لا سيما في الأسواق المالية حيث تحدث تغيرات في الأنظمة، مما ينصح في النهاية بتوخي الحذر عند استخدام النماذج الخطية الكبيرة للتنبؤ بسوق الأسهم بسبب حساسيتها لاختيارات المعلمات والفترات الفرعية.
تقدم هذه الورقة طريقة لتفكيك التباين على مستوى الطبقات للشبكات التوأمية العميقة، والتي تعزل عدم اليقين الخاص بالمُشفر عن عدم اليقين الخاص بالرأس عبر تفعيل تقنية "مونت كارلو دروب آوت" (Monte Carlo Dropout) بشكل مستقل، مما يثبت أن مكون المُشفر يحدد بفعالية التحولات التوزيعية ويوجه استراتيجيات جمع البيانات لتحسين تقدير تأثير العلاج الفردي.
تقترح هذه الورقة إطار عمل "تعاون الوكلاء المقنع" (MAC)، الذي يعزز اتخاذ القرار الطبي من خلال الاختيار المنهجي لوكلاء النماذج اللغوية الكبيرة (LLM) الأمثل وفق معيار باريتو، وإخفاء المخرات المتضاربة بشكل تكراري لتمكين انتشار المعلومات التكيفي والمتدرج.
تقترح هذه الورقة تعزيز النماذج القائمة على "ترانسفورمر" (Transformer) للتنبؤ بالسلاسل الزمنية الطويلة من خلال دمج مرشحات طيفية قابلة للتعلم في مرحلة الإدخال، مما يحسن الأداء، ويقلل حجم النموذج، ويسمح باستغلال أفضل للطيف الترددي الكامل مع إضافة حد أدنى من المعلمات.