23609 ورقة بحثية
تقدم هذه الورقة تمثيلاً مزدوجاً لدوال التأثير يتناسب مع حجم مجموعة البيانات بدلاً من حجم النموذج، مما يوفر بديلاً فعالاً لتقدير أثر إزالة البيانات على النماذج القابلة للخطية الكبيرة، وإن كان ذلك على حساب اشتراط مصفوفة ينمو حجمها مع حاصل ضرب بُعد مخرجات النموذج وحجم مجموعة البيانات.
تقترح هذه الورقة إطاراً نظرياً وتحليلاً تجريبياً لتحسين المقايضة بين عبء المستخدم ودقة التفضيل في الذكاء الاصطناعي التوليدي، مبرهنةً على أن طلب المعلومات بشكل استراتيجي يمكن أن يخفف بفعالية من الانحيازات المنهجية المتأصلة في الاستدلال القائم على النماذج مع الحفاظ على الكفاءة.
تقدم هذه الورقة البحثية SPADE، وهو إطار عمل مبتكر للتحسين غير المتصل بالإنترنت (offline black-box optimization) يستفيد من نموذج بديل أمامي قائم على الانتشار (diffusion-based forward surrogate model) معزز بالتقدير المعاير وتنظيم تقارب الدعم لمعالجة تحديات التوزيع الخارج عن النطاق (out-of-distribution) بفعالية وتحقيق أداء رائد في هذا المجال.
تقدم هذه الورقة إطار عمل لتوأم رقمي قائم على المحاكاة كإثبات للمفهوم لنمذجة مرض السكري، يمنح الأولوية لتوليد مسارات محاكاة وتوقعات مضادة قابلة للتفسير من أجل التحليل الواعي بالقرار، بدلاً من ادعاء الجاهزية السريرية الفورية.
تقترح هذه الورقة البحثية "التقطير التدريجي الموجه بالتعلم المنهجي" (CLPD)، وهو إطار عمل موحد يعزز تقطير المعرفة في النماذج اللغوية الكبيرة من خلال مواءمة صعوبة بيانات التدريب مع زيادة قدرة النموذج المعلم بشكل تدريجي، مما يتغلب على قيود الطرق الحالية ويحسن أداء الاستنتاج في النماذج الطلابية الأصغر حجماً.
تُثبت هذه الورقة أن إدخال تسلسل الأفكار الكامن عبر آلية تغذية راجعة متكررة يحسن بشكل كبير أداء نماذج المحولات للبيانات المهيكلة في مهام التنبؤ بالسلاسل الزمنية والبيانات الجدولية من خلال توسيع نطاق الحوسبة أثناء وقت الاختبار بفعالية.
تقترح هذه الورقة إطار عمل جديد للتحقق الخارجي يستخدم المشفرات التلقائية التوليدية لقياس مدى تشابه مستوى المريض مع بيانات التطوير، وذلك من أجل الفصل بين أوجه القصور في النموذج والاختلافات السكانية لتوفيش تقييم أكثر دقة لقابلية نقل النموذج التنبؤي وسلامته لمجموعات فرعية محددة من المرضى.
تقدم هذه الورقة "انتباه المؤثر الزمني" (TOA)، وهو إطار عمل يتغلب على قيود انتباه "softmax" القياسي في التنبؤ بالسلاسل الزمنية من خلال دمج مؤثرات صريحة وقابلة للتعلم في فضاء المتتالية لتمكين التحويلات الموقعة والتذبذبية، مما يحقق أداءً فائقاً عبر مختلف المعايير المرجعية.
تقدم هذه الورقة إطاراً قائماً على فئات خارج القسمة (quotient-categorical framework) لتعلم التعزيز التوزيعي ذي المكافأة المتوسطة، والذي يحل الطبيعة غير محددة المعالم لتقدير الانحياز من خلال تحديد القوانين المفهرسة بالحالة حتى الإزاحة، مما يتيح مؤثرات معرفة جيداً وغير متمددة، ويثبت التقارب لكل من الخوارزميات المثالية وخوارزميات العينات العملية مع تقدير الكسب عبر الإنترنت.
تُوصّف هذه الورقة هندسة التمثيلات المثلى في التعلم التبايني في ظل عدم توازن الفئات، حيث تُثبت أنه بينما تُظهر الفئات المتوازنة ظاهرة الانهيار العصبي (Neural Collapse)، فإن الفئات غير المتوازنة تتبع تناظراً زاوياً يعتمد على النسبة، مما قد يؤدي إلى "الانهيار الأقلي" (Minority Collapse) عندما يتجاوز عدم التوازن حداً معيناً.