24017 ورقة بحثية
تُعد WISTERIA إطار عمل لتعلم التمثيلات تحت الإشراف الضعيف للسجلات الصحية الإلكترونية، حيث تعمل على تحسين الأداء التنبئي والقدرة على التعميم عبر المؤسسات من خلال نمذجة الملصقات السريرية كملاحظات عشوائية وفرض الاتساق متعدد الرؤى لإزالة الضجيج ضمنياً في إشارات الإشراف غير المتجانسة.
يقدم EvoPref خوارزمية تطورية متعددة الأهداف باستخدام NSGA-II ومهايئات LoRA للتغلب على انهيار التفضيل في الطرق القائمة على التدرج، محققاً تنوعاً أكبر بكثير في محاذاة النماذج اللغوية الكبيرة مع الحفاظ على جودة تنافسية في المعايك القياسية.
تقدم الورقة البحثية QD-LLM، وهو إطار عمل للتطور العصبي فعال في المعلمات يقوم بتطوير تضمينات مطالبات مدمجة ضمن مخطط تحسين التنوع والجودة لتوجيه النماذج اللغوية الكبيرة المجمدة نحو مخرجات متنوعة وعالية الجودة، متفوقاً بشكل كبير على الأساليب الحالية في التغطية والمنفعة في المهام اللاحقة دون الحاجة إلى ضبط دقيق للنموذج.
تقدم الورقة البحثية LEAD، وهي طريقة مبتكرة توظف آليات عبر الإنترنت وذاتية التكيف لموازنة الدقة والكفاءة ديناميكيًا أثناء التعلم المعزز، مما يمكن نماذج الاستدلال الكبيرة من توليد مخرجات سلسلة أفكار أقصر بكثير دون المساس بالدقة عبر مختلف الاختبارات المرجعية الرياضية.
تقترح هذه الورقة إطار عمل جديد للتعلم التعزيزي ثنائي الحلقات لإدارة الأمراض المزمنة، والذي يصيغ الهدف في شكل ضغط الوقت اللازم للسيطرة مع دمج قيود قدرة الإكلينيكي وكثافة التنفيذ، مبرهنةً على أداء متفوق وقدرة على التعميم مقارنة بالنهج القياسية في محاكاة ارتفاع ضغط الدم ومرض السكري من النوع الثاني.
تحدد هذه الورقة أن تكميم تدرجات الأوزان (Wgrad) هو السبب الرئيسي لعدم الاستقرار في تدريب النماذج اللغوية الكبيرة بنظام FP4 عبر المسار الكامل، وتثبت أن تدويرات هادامارد الحتمية، بدلاً من التدوير العشوائي، ضرورية لاستعادة استقرار التقارب.
تقدم هذه الورقة CryoSampler، وهي طريقة مبتكرة تعمل على الضبط الدقيق لنماذج التنبؤ بالبنية الساكنة سابقة التدريب مثل Boltz-2 مباشرة على خرائط كثافة المجهر الإلكتروني المبرد (cryo-EM) عبر الإشراف في وقت الاختبار لتوليد مجموعات تشكيل ذرية دقيقة، مما يتجاوز مرحلتي بناء النماذج التقليديتين ويُظهر إمكانات للتعميم داخل النطاق.
تقترح هذه الورقة إطار عمل لضغط الفقد عبر النطاقات يعتمد على اقتران الحد الأدنى من الإنتروبيا المقيد، والذي يعمل على تعظيم قوة اقتران المصدر وإعادة البناء تحت قيود المعدل والتصنيف، مبرهنةً من خلال كل من التحليل النظري والتجارب العصبية أن المعدلات الأعلى تحسن دقة التصنيف وجودة إعادة البناء.
تقترح هذه الورقة إطار عمل لبناء مسبقات موثوقة مستنيرة بالذكاء الاصطناعي من خلال تصحيح القانون المستحث بالذكاء الاصطناعي المستخدم لتوليد البيانات الاصطناعية، مما يؤدي إلى التخفيف من انتشار خطأ النموذج، وتقليل الانحياز، وتحسين أداء الاستدلال في الإعدادات محدودة البيانات.
تقدم هذه الورقة "متعدد طيات الطاقة الحرة" (Free Energy Manifold - FEM)، وهو نموذج طاقة شرطي مُدرب بالدرجة (score-trained) يتيح استدلالاً فعالاً في الشبكات البايزية الهجينة عبر تمثيل العوامل الشرطية كأشكال تضاريسية للطاقة ومعالجة "أثر جسر النمط" (mode-bridge artifact) من خلال تنظيم الوادي لتحسين دقة التوزيع اللاحق بشكل كبير في الإعدادات متعددة الأنماط والتركيبية.