24017 ورقة بحثية
تقدم هذه الورقة "الأبعاد السببية" (كابا) كمقياس جوهري للنموذج يحدد الرتبة الفعالة للتأثير السببي لطبقة المحول (transformer)، مما يكشف أنه بينما تتوسع القدرة التمثيلية خطياً مع عرض المشفّر التلقائي المتناثر (sparse autoencoder)، فإن القدرة السببية تتشبع عند مستوى دون خطي يظل ثابتاً تجاه حجم النموذج ويظهر أنماطاً هيكلية متميزة عبر عمق الشبكة.
يقدم MeshFIM إطار عمل "الملء من المنتصف" (Fill-in-the-Middle) القائم على التوليد الذاتي، والذي يتيح تحريراً وإصلاحاً محلياً فعالاً وعالي الجودة للشبكات منخفضة المضلعات عبر إعادة توليد مناطق محددة مشروطة بالسياق المحيط، مما يتغلب على عدم الكفاءة والاضطراب الهيكلي الذي تسببه طرق إعادة التوليد التقليدية التي تعتمد مبدأ "الكل أو لا شيء".
تقدم هذه الورقة "خسارة معصم غاوس" (Wristband Gaussian Loss)، وهي طريقة حتمية خالية من أخذ العينات، تقوم بتحويل تضمينات النقاط إلى توزيعات غاوسية عبر تفكيكها إلى مكونات اتجاه ونصف قطر محول بـ CDF على متشعب كرة-فترة، مما يتيح تمثيلات كامنة فعالة وقابلة للتركيب لأخذ عينات مضادة للواقع ونمذجة العوامل المعتمدة.
تقدم هذه الورقة "الترميز الصوتي المعجمي" (LAC)، وهو إطار عمل تتواصل فيه وكلاء النماذج اللغوية الكبيرة (LLM) المدربة مسبقًا عبر الصوت من خلال تحويل الموجات الصوتية إلى أوصاف نصية إنجليزية قابلة للتفسير وإعادة بنائها عبر صقل الحلقة المغلقة، مما يعامل اللغة الطبيعية فعليًا كتمثيل نقل فاقد ذي معدل محدود للصوت.
يُعد FedGMI إطار عمل جديد للتعلم الاتحادي يستفيد من المشفرات التلقائية التباينية لنمذجة بيانات العملاء كمزيج احتمالي من توزيعات جوهرية مشتركة، مما يحقق تخصيصاً مهيكلاً وأداءً قوياً مع معالجة عدم تجانس البيانات وقيود الاتصال.
تحدد هذه الورقة أن طرق نسيان النماذج اللغوية الكبيرة الحالية غالباً ما تخل بالأمانة من خلال الهلوسة أو التصرف بشكل غير متسق، وتقترح تعريفاً رسمياً لنسيان الأمانة إلى جانب طريقة جديدة تسمى ReVa تعمل على تحسين فعالية النسيان وفائدة المعرفة المستبقاة بشكل كبير.
تقدم الورقة البحثية نموذج ProcVLM، وهو نموذج رؤية ولغة يتعلم مكافآت التقدم المرتبطة بالإجراءات من خلال التفكير في الأفعال الذرية المتبقية والتغيرات البصرية، وقد تم تدريبه على مجموعة بيانات ضخمة مكونة من 60 مليون إطار (ProcCorpus-60M) لتوفير تغذية راجعة كثيفة وتمييزية للمناولة الروبوتية طويلة المدى.
تقدم هذه الورقة إطارًا مبتكرًا لقياس وتفكيك انفصال الأنماط في التوزيعات عالية الأبعاد من خلال الاستفادة من عملية انتشار عكسية نموذجية لاستخراج مقاييس حساسة للحواجز (SSA) وإسقاطات مرتبة حسب شبه الاستقرار (DA) من بيانات العينات ودوال الدرجة، مما يتغلب على قيود الأدوات التقليدية مثل الإنتروبيا وتحليل المكونات الرئيسية (PCA).
تقترح الورقة البحثية إطار عمل TRACE، وهو إطار لتعيين الائتمان المدرك للدور في التعلم المعزز القائم على كسر الحماية متعدد الجولات، والذي يعالج أوجه القصور في الإشراف الخشن على مستوى المسار من خلال تقدير المساهمات على مستوى الدور وتعيين عقوبات مستهدفة، مما يؤدي إلى تحسين معدلات نجاح الهجوم بشكل كبير وتمكين محاذاة الدفاع متعدد الجولات بشكل أكثر فعالية.
تقدم الورقة البحثية PRIM، وهو إطار عمل بايزي مُتعلم ميتياً (meta-learned) يستفيد من مُسبق اصطناعي للنماذج السببية ومحول لتقدير الأسباب الجذرية يعتمد على متوسط النماذج (Model-Averaged)، لتمكين تحليل الأسباب الجذرية السريع وصفرِيّ التدريب (zero-shot) في الأنظمة المعقدة عبر التحديد الضمني للتحولات التوزيعية والبنى السببية دون الحاجة إلى ملاءمة صريحة للنماذج وقت الاختبار.