23609 ورقة بحثية
تقدم هذه الورقة DuST، وهو إطار عمل للتدريب الذاتي يستفيد من أخذ العينات في وقت الاختبار لإنشاء "فضاء حكم مزدوج" حيث تتعلم النماذج ترتيب البرامج المرشحة عبر التعلم المعزز في السياسة (on-policy reinforcement learning)، مما يحسن قدرتها على الحكم على صحة الكود وتوليد حلول عالية الجودة دون مكافآت مباشرة للتوليد الصحيح.
تثبت هذه الورقة أنه بينما يستحيل توليد اللغة في الوقت المناسب للمولدات ذات الاتساق النهائي تحت ترتيب تفضيل عالمي، فإن ذلك يصبح ممكناً بكثافة مثلى إذا سمح المولد بمعدل هلوسة يتلاشى، بشرماً أن تكون دالة الموعد النهائي فائقة الخطية.
تقدم الورقة البحثية Vision2Code، وهو معيار وإطار تقييم متعدد المجالات وخالٍ من الكود المرجعي، يقيم توليد الكود من الصور عبر رندرة مخرجات النماذج وتقييمها باستخدام معايير محددة لكل مجال، مما يكشف عن فجوات كبيرة في الأداء في المجالات البصرية المكانية والمعقدة، بينما يثبت أن المخرجات المفلترة يمكن أن تحسن تدريب النماذج بشكل فعال.
تقترح هذه الورقة إطار عمل لتصميم اقترانات ضوضاء أولية مشتركة في نماذج الانتشار، حيث تُظهر أن إدخال تبعيات محكومة بين العينات — مثل الاقترانات التنافرية أو اقترانات الفضاء الجزئي — يعزز تنوع الدفعات ويُمكّن من مهام التوليد المهيكلة مثل إنشاء خلفيات لأجسام ثابتة دون المساس بمطابقة المطالبة، أو جودة الصورة، أو كفاءة أخذ العينات.
تقدم هذه الورقة أول خوارزمية ذات ميزانية ثابتة قابلة للإثبات لتحديد الإجراء الأقصى-الأدنى (max-min) الجيد بمقدار في أشجار العمق-2، وتتميز بنهج غير معتمد على يحقق حدود خطأ تعتمد على الحالة مع الكشف عن بنية صعوبة متميزة مقارنة بمسائل العقبات متعددة الأذرع القياسية.
تقدم الورقة البحثية "الدوال الإحصائية العصبية"، وهي عائلة جديدة من النماذج التي توحد مهام إحصائية متنوعة مثل التكاملات والكميات في إطار شرطي فترِي، مما يتيح الاستدلال المباشر للإحصاءات عبر ظروف تشغيل مستمرة دون أخذ عينات صريح وتحقيق خفض في التكلفة الحسابية يصل إلى 100 ضعف مقارنة بالاستدلال المتكرر التقليدي.
تقدم الورقة البحثية UG-TTT، وهو إطار عمل للاكتشاف في وقت الاختبار يستفيد من مجموعة من المهايئات منخفضة الرتبة لقياس عدم اليقين المعرفي لكل رمز عبر المعلومات المتبادلة، مستخدماً هذه الإشارة كمكافأة استكشاف لتوجيه النماذج اللغوية الكبيرة نحو حلول علمية مبتكرة حقاً مع تجنب عثرات التعلم المعزز القياسي التي تفضل الأنماط المألوفة.
تقدم هذه الورقة البحثية ZeNO، وهو إطار عمل خالٍ من التدرج (gradient-free) يعمل على تحسين الضجيج في النماذج التوليدية عبر صياغته كمسألة تحكم بالتكامل المساري (path-integral control)، مما يتيح محاذاة فعالة للمكافأة لكل من المولدات العشوائية والحتمية دون الحاجة إلى الانتشار العكسي (backpropagation).
تقدم هذه الورقة إطاراً سببياً غير معلمي للعدالة في تحليل البقاء، يقوم بتفكيك التفاوتات الزمنية إلى مسارات مباشرة وغير مباشرة وزائفة لتفسير أصولها وتطورها، وهو ما تم إثباته من خلال تحليل التفاوتات العرقية في نتائج العناية المركزة.
تؤسس هذه الورقة إطاراً نظرياً موحداً للعدالة السببية في الذكاء الاصطناي التوليدي، حيث تستنتج طرق تفكيك ومقدرات جديدة لتحديد كيفية مساهمة الآليات السببية الداخلية للنماذج التوليدية في التحيزات الديموغرافية عبر مسارات مختلفة.