23697 ورقة بحثية
يكشف معيار MEME أن الوكلاء الحاليين القائمين على النماذج اللغوية الكبيرة، رغم امتلاكهم لاسترجاع ثابت كافٍ، يفشلون جوهرياً في مهام الاستدلال بالاعتماد على تعدد الكيانات مثل التحديثات المتتالية، والغياب، والحذف، مع بقاء الحلول العملية مستعصية بسبب التكاليف الباهظة.
تقترح هذه الورقة وتثبت تجريبياً مبدأ مكافأة "من الشحيح إلى الكثيف" لمرحلة ما بعد التدريب للنماذج اللغوية، مظهرةً أن تخصيص البيانات القابلة للتحقق النادرة لتدريب نموذج معلم قوي بمكافآت شحيحة قبل نقل سلوكه إلى نموذج طالب أصغر عبر إشراف كثيف يتفوق على التعلم المعزز المباشر الشحيح على النموذج الطالب.
تقدم هذه الورقة البحثية "التدريب السريع-البطيء" (FST)، وهو إطار عمل يجمع بين معاملات النموذج الثابتة ("الأوزان البطيئة") والسياق المُحسَّن ("الأوزان السريعة") لتمكين النماذج اللغوية الكبيرة من التعلم من التغذية الراجعة النصية بكفاءة أكبر، وتحقيق أداء أعلى، والحفاظ على مرونة أكبر مع تقليل النسيان الكارثي بشكل كبير مقارنة بطرق تحديث المعاملات التقليدية.
تقدم هذه الورقة بحثًا حول VECA (انتباه النواة المرن البصري)، وهي بنية محول رؤية (Vision Transformer) تحقق تعقيدًا حسابيًا خطيًا ومعالجة عالية الدقة وقابلة للتوسع عبر استبدال الانتباه الذاتي الشامل التربيعي بهيكل نواة-محيط فعال حيث تتواصل رموز الرقع (patch tokens) حصريًا من خلال مجموعة صغيرة متعلمة من تضمينات النواة.
تقترح الورقة البحثية AlphaGRPO، وهو إطار عمل يعزز قدرات التوليد والتحسين الذاتي التأملي للنماذج متعددة الوسائط الموحدة دون مرحلة بدء بارد عبر تطبيق تحسين السياسة النسبي المجموعي الموجه بمكافأة التحقق التفكيكية (DVReward) المبتكرة من أجل إشراف مستقر وقابل للتفسير.
تقدم هذه الورقة طريقتي "التدرج الشرطي للمستوى" (LCG) الخالية من الإسقاط، وطريقة "التدرج الشرطي للمستوى بنقطة تقريبية غير دقيقة" (IPP-LCG)، اللتين تحققان تعقيدات تكرارية هي الأحدث في مجال حل مشكلات الأمثلة المقيدة للدوال المحدبة وغير المحدبة على التوالي، مع تحقيق توازن فعال بين تجنب المخاطر والندرة في تطبيقات مثل تحسين المحافظ الاستثمارية والعلاج الإشعاعي.
تقدم هذه الورقة صياغة بايزية قائمة على الأدلة للشبكات العصبية المستوحاة من الفيزياء، والتي تستخدم تقريب لابلاس لحساب دليل النموذج تحليلياً، مما يتيح تحسيناً تلقائياً فعالاً وخالياً من أخذ العينات لأوزان الخسارة والتقدير الكمي لعدم اليقين عبر مختلف المعادلات التفاضلية الجزئية.
يُعد EchoAlign إطار عمل مبتكر يعزز المتانة ضد الملصقات الضوضائية من خلال الربط بين التعلم التوليدي والتمييزي، حيث يقوم بتعديل سمات المثيل لتتماشى مع أهداف الإشراف الضوضائية مع الحفاظ على السلامة الهيكلية والاحتفاظ بالعينات الموثوقة، متفوقاً بذلك على الأساليب الحالية الرائدة.
تتقصى هذه الورقة البحثية قابلية التفسير في البحث عن التشابه في الرسوم البيانية من خلال تقييم المعلومات المتبادلة وطرق التفسير القائمة على التدرج للشبكات العصبية الرسومية، مما يثبت أن النهج القائم على التدرج يقدم تفسيرات متفوقة من حيث القابلية للتنفيذ والاتساق والتبسيط لدرجات تشابه العقد.
تقدم هذه الورقة البحثية SINDyG، وهي طريقة مبتكرة تدمج بنية الشبكة في الانحدار المتناثر لتحديد المعادلات الحاكمة بدقة للأنظمة الديناميكية ذات البنية الرسومية، مما يظهر أداءً فائقاً على مقاربات SINDy التقليدية في نمذجة شبكات تذبذب ستيوارت-لانداو.