cs.LG ورقة بحثية

Set Prediction for Next-Day Active Fire Forecasting

تقدم هذه الورقة نموذج WISP، وهو نموذج تنبؤ بمجموعات يعتمد على الاستعلام، والذي يعيد صياغة التنبؤ بالحرائق النشطة لليوم التالي كمسألة تنبؤ بمجموعة نقاط لتوليد مراكز عناقيد حرائق عالية الدقة ومرتبة عالمياً، محققاً أداءً فائقاً في التحديد الموضعي والتغطية مقارنة بالأساليب التقليدية القائمة على الشبكة.

Yuchen Bai, Georgios Athanasiou, Xin Yu, Diogenis Antonopoulos, Ioannis Papoutsis, Stijn Hantson, Nuno Carvalhais2026-05-12

🤖 machine learning

Follow the Mean: Reference-Guided Flow Matching

تقدم هذه الورقة البحثية "Follow the Mean"، وهو إطار عمل لمطابقة التدفق (flow matching) موجه بالمرجع يتيح توليد الصور بشكل قابل للتحكم من خلال تكييف النماذج المدربة مسبقاً عبر إزاحات متوسط النهاية القائمة على الأمثلة، مما يوفر طرقاً خالية من التدريب وشبه معلمية لتوجيه المخرجات دون الحاجة إلى ضبط دقيق أو بحث في وقت الاختبار.

Pedro M. P. Curvo, Maksim Zhdanov, Floor Eijkelboom, Jan-Willem van de Meent2026-05-12

🤖 machine learning

Active Tabular Augmentation via Policy-Guided Diffusion Inpainting

تقدم الورقة البحثية إطار عمل TAP، وهو إطار عمل مبتكر يجمع بين تقنية استكمال البيانات بالانتشار (diffusion inpainting) وسياسة مشروطة بالمتعلم لاختيار وحقن البيانات الجدولية الاصطناعية ذات المنفعة العالية بشكل نشط، مما يسد الفجوة بين دقة التوزيع وأداء النماذج اللاحقة لتحسين نتائج التصنيف والانحدار بشكل كبير في ظل الندرة الشديدة للبيانات.

Zheyu Zhang, Shuo Yang, Bardh Prenkaj, Gjergji Kasneci2026-05-12

🤖 machine learning

Relations Are Channels: Knowledge Graph Embedding via Kraus Decompositions

تقدم هذه الورقة البحثية نموذج \textsc{KrausKGE}، وهو نموذج لتمثيل الرسوم البيانية للمعرفة يستند إلى تمثيل كراوس (Kraus decomposition) وثلاثة بديهيات هيكلية (الخطية، والحفاظ على الأثر، والإيجابية التامة) يتعامل بطبيعة الحال مع العلاقات المعقدة من نوع $N$ -إلى- $N$ ، ويدعم الاستدلال متعدد القفزات ( $k$ -hop) دون الحاجة إلى مشفرات مسار صريحة، ويلغي الحاجة إلى قيود المعيار (norm constraints) مع التفوق على النماذج المرجعية الحالية.

Sayan Kumar Chaki2026-05-12

🔢 mathematics

PowerStep: Memory-Efficient Adaptive Optimization via $\ell_p$ -Norm Steepest Descent

يُعد PowerStep مُحسِّناً تكيُّفياً موفراً للذاكرة يحقق التكيف عبر الإحداثيات من خلال الانحدار الشديد لـ $\ell_p$ -norm دون تخزين إحصائيات العزم الثاني، مما يجعله يطابق سرعة تقارب Adam مع تقليل عبء الذاكرة بشكل كبير لتدريب نماذج Transformer واسعة النطاق.

Yao Lu, Dengdong Fan, Shixun Zhang, Yonghong Tian2026-05-12

🤖 machine learning

DeepLévy: Learning Heavy-Tailed Uncertainty in Highly Volatile Time Series

تقدم الورقة البحثية DeepL'evy، وهو إطار عمل عصبي يتغلب على عدم قابلية التتبع لتوزيعات ليفي المستقرة من خلال تقليل تباينات الدالة المميزة لنمذجة عدم اليقين ذي الذيول الثقيلة بفعالية والتفوق على الأساليب الحالية في التنبؤ بالسلاسل الزمنية شديدة التقلب.

Yang Yang, Du Yin, Hao Xue, Flora Salim2026-05-12

🤖 machine learning

PC3D: Zero-Shot Cooperation Across Variable Rosters via Personalized Context Distillation

تقترح الورقة البحثية طريقة PC3D، التي تمكن وكلاء التعلم المعزز متعدد الوكلاء اللامركزي من تحقيق تعاون صفري الاستباق (zero-shot cooperation) عبر قوائم فرق متغيرة من خلال استخلاص سياقات تنسيق مخصصة من معلم مركزي إلى سياسات محلية تتكيف لاستعادة المعلومات ذات الصلة للفريق من سجلات التفاعل.

Ahmet Onur Akman, Rafał Kucharski2026-05-12

🤖 machine learning

The Polynomial Counting Capabilities of Message Passing Neural Networks

تستقصي هذه الورقة قدرات العدّ متعدد الحدود لشبكات الأعصاب الممررة للرسائل (MPNNs)، حيث تُثبت قدرتها على التحقق من قيود متعددة الحدود عالمية ومحلية محددة في الرسوم البيانية ذات العقد المسمّاة باستخدام تجميع المتوسط، لا سيالما في ظل ظروف مثل الرسوم البيانية المنتظمة، أو الأنماط غير المتداخلة، أو الهياكل الشبيهة بالأشجار.

Marco Sälzer, Pascal Bergsträßer, Anthony W. Lin2026-05-12

📊 statistics

Sharp feature-learning transitions and Bayes-optimal neural scaling laws in extensive-width networks

تثبت هذه الورقة أنه في الشبكات العصبية عالية الأبعاد وواسعة النطاق التي تتعلم ميزات هرمية، يحدث اكتساب الميزات من خلال انتقالات طورية متتابعة حادة تحدد "عرضًا فعالًا" وتوحد قوانين قياس خطأ التعميم المتمايزة في علاقة مثلى واحدة، وهو أمر يمكن تحقيقه تجريبيًا بواسطة الطلاب المدربين باستخدام خوارزمية Adam.

Minh-Toan Nguyen, Jean Barbier2026-05-12

🤖 machine learning

Causal Explanations from the Geometric Properties of ReLU Neural Networks

تقترح هذه الورقة طريقة لتوليد تفسيرات سببية دقيقة لشبكات ReLU العصبية من خلال استخراج قواعد القرار مباشرة من بنيتها الهندسية كدوال خطية مجزأة معرفة بواسطة متعددات سطوح محدبة، وذلك لتجنب تدهور الأداء ومشكلات الدقة المرتبطة باستخلاص النماذج لأغراض التفسير.

Hector Woods, Philippa Ryan, Rob Alexander2026-05-12

→ السابق التالي ←

cs.LG

Set Prediction for Next-Day Active Fire Forecasting

Follow the Mean: Reference-Guided Flow Matching

Active Tabular Augmentation via Policy-Guided Diffusion Inpainting

Relations Are Channels: Knowledge Graph Embedding via Kraus Decompositions

PowerStep: Memory-Efficient Adaptive Optimization via ℓp\ell_pℓp​-Norm Steepest Descent

DeepLévy: Learning Heavy-Tailed Uncertainty in Highly Volatile Time Series

PC3D: Zero-Shot Cooperation Across Variable Rosters via Personalized Context Distillation

The Polynomial Counting Capabilities of Message Passing Neural Networks

Sharp feature-learning transitions and Bayes-optimal neural scaling laws in extensive-width networks

Causal Explanations from the Geometric Properties of ReLU Neural Networks

PowerStep: Memory-Efficient Adaptive Optimization via $\ell_p$ -Norm Steepest Descent