24017 ورقة بحثية
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.
تقدم الورقة البحثية "المسبار الميتا-معرفي" (Metacognitive Probe)، وهو أداة تشخيصية مكونة من خمس مهام تقيم سلوكيات الثقة لدى النماذج اللغوية الكبيرة عبر خمسة أبعاد متميزة للكشف عن جيوب خفية من الثقة المفرطة التي تغفل عنها الاختبارات القياسية التجميعية، مما يظهر تباينًا كبيرًا قدره 47 نقطة بين معايرة النموذج الخاصة بمهمة معينة وقدراته على التنبؤ بصعوبة المهام عبر مختلف المهام.
تقترح الورقة البحثية "التحسين المدفوع بالاستكشاف" (EDO)، وهو إطار عمل مبتكر يدمج أهداف الاستكشاف المعززة للتنوع في طرق ما بعد التدريب التكرارية مثل iDPO وGRPO لحل التوتر بين تنوع أخذ العينات في وقت الاستدلال وبين حدة التوزيع الناجمة عن التعلم المعزز، مما يعزز أداء الاستنتاج واستقرار النماذج اللغوية الكبيرة عبر المهام داخل التوزيع وخارجه.
تتناول هذه الورقة تحدي المعايرة المتعددة في إعدادات التعلم الخاضع لإشراف ضعيف حيث لا تتوفر تسميات نظيفة، وذلك عبر اقتراح إطار عمل موحد يجمع بين إعادة كتابة مخاطر مصفوفة التلوث والقيود القائمة على الشهود لتقدير وتصحيح أخطاء المعايرة المتعددة، إلى جانب خوارزمية عامة لما بعد المعالجة تسمى تعزيز المعايرة متعددة التسميات الضعيفة (WLMC) والتي توفر ضمانات العينة المحدودة.