24017 ورقة بحثية
تقترح الورقة البحثية إطار عمل DARE، وهو إطار موحد يطور تقدير الصعوبة مع السياسة من خلال أخذ العينات بأهمية ذاتية التقييس وتخصيص الحوسبة التكيفي لتحسين كفاءة التدريب، والأداء النهائي، وإيجاز الاستدلال في آن واحد عبر مستويات صعوبة المهام المتفاوتة.
تضع هذه الورقة البحثية أول حدود عليا لتعقيد العينات السريع من رتبة لتعقيد "المناديب السياقية غير المتصلة" (offline contextual bandits) مع تنظيم "كاي إل" الأمامي (forward-KL regularization) في ظل حالة تركيز السياسة الواحدة، موحدةً بذلك بين إعدادات الجداول (tabular) والتقريب الوظيفي العام من خلال تحليل تحليلي محدب مبتكر، ومثبتةً دقة هذه المعدلات عبر حدود دنيا مطابقة.
يُعد Flame3D إطار عمل لا يتطلب تدريباً، يُمكّن من الاستدلال التكويني للمشاهد ثلاثية الأبعاد بنمط "الصفر محاولة" (zero-shot) عبر تمثيل المشاهد كذكريات بصرية-نصية قابلة للتحرير، وتمكين النماذج اللغوية الكبيرة متعددة الوسائط (MLLMs) الجاهزة من تخليق أدوات مكانية مخصصة ديناميكياً للاستدلال مفتوح النهايات.
توحد هذه الورقة نتائج استحالة العدالة المتنوعة تحت هندسة فضاء هيلبرت للنواة التركيبية (RKHS) مشتركة، مظهرةً أن عدم تساوي معدلات الأساس يؤدي إلى جعل قيود العدالة الخطية غير محددة بشكل زائد، مما يفضي إلى رؤى جديدة حول ثنائية كلاينبيرغ-موليناثان-راغافان، و"نظرية بوكيمون" فيما يتعلق بالانتهاكات المتبقية المقاسة بمسافة التباعد المتوسط المربع الأدنى (MMD)، والحدود الجوهرية لتعلم الميزات العادلة.
يقدم ProactBench معياراً مرجعياً جديداً لتقييم المبادرة الحوارية —وهي قدرة النماذج اللغوية الكبيرة على تحديد الاحتياجات الضمنية للمستخدم والعمل بناءً عليها— وذلك من خلال تفكيكها إلى مراحل: الناشئة، والحرجة، والاستردادية، وإثبات أن أداء مرحلة الاسترداد يمثل إشارة تقييم متميزة وصعبة لا تلتقطها المعايير المرجعية الحالية.
تقترح هذه الورقة نموذج تهديد وإطار تقييم موحد لتحليل ومقارنة تقنيات الحفاظ على الخصوصية للتعلم الموزع في أنظمة إنترنت الأشياء بشكل منهجي، مع تسليط الضوء على المقايضات بين متانة الخصوصية وكفاءة النظام، بينما تستعرض إمكانات الأساليب خفيفة الوزن القائمة على مرشح بلوم (Bloom Filter).
تُثبت هذه الورقة أن فشل النماذج اللغوية الكبيرة في عدّ الرموز المتكررة لا ينبع من عدم القدرة على تمثيل العدد الصحيح داخلياً، بل من آلية "طبقة بيرسبترون متعدد الطبقات" (MLP) محفزة بتنسيق محدد تقوم باستبدال التمثيل الدقيق بإجابة خاطئة ثابتة أثناء عملية توليد المخرجات.
تقترح هذه الورقة Sub-JEPA، وهي طريقة تعمل على تحسين استقرار ومرونة بنيات التنبؤ بالتمثيل المشترك (JEPAs) لنمذجة العالم من خلال تطبيق التنظيم الغاوسي في فضاءات فرعية عشوائية متعددة بدلاً من الفضاء المحيط الكامل، مما يحقق مقايضة متفوقة بين الانحياز والتباين ويتفوق على النموذج الرائد LeWorldModel.
تقدم هذه الورقة إطار تدريب مبتكر يعزز التعميم في نماذج تعلم الآلة من خلال تكرارها وتوجيه رسائل التعلم المحلية عبر النسخ بواسطة تبديلات مهيكلة، مما يسهل مشاركة الرسائل المهيكلة دون انهيار النسخ المكررة أو الربط المباشر بين المعلمات.
تقدم هذه الورقة خوارزمية معايرة متعددة (multicalibration) عبر الإنترنت تتسم بالكفاءة، حيث تقوم بالاستيفاء الديناميكي بين الإعدادات الأسوأ والسيناريوهات الحميدة من خلال تحسين شبكة التنبؤ بشكل تكيفي، محققةً بذلك معدلات الحالة الأسوأ المثلى مع التكيف تلقائياً مع الحالات الأسهل مثل المتوسطات العشوائية أو المتوسطات المستقرة جزئياً بحدود خطأ محسنة.