24132 ورقة بحثية
تتقصى هذه الورقة طرق كشف الشذوذ الشرطي القائمة على الحالات التي تستخدم مقاييس مسافة محسنة لتحديد الأنماط غير العادية في بيانات المرضى، مما يثبت فعاليتها في كشف قرارات الدخول غير المنتظمة للالتهاب الرئوي المكتسب من المجتمع وطلبات اختبار HPF4 غير الطبيعية المتعلقة بنقص الصفيحات الناجم عن الهيبارين.
تقدم هذه الورقة البحثية BEACON، وهي مجموعة بيانات متعددة الوسائط واسعة النطاق تضم بيانات لعب متزامنة لـ 28 لاعباً من لعبة Valorant، صُممت لتعزيز أبحاث المصادقة المستمرة وبصمة السلوك عبر التقاط إشارات حركية وإدراكية عالية الدقة تحت ضغط تنافسي واقعي.
تقدم هذه الورقة نماذج اللغة ذاتية التحسين (SOL)، وهو إطار عمل يربط نموذج لغة كبير مجمد بشبكة سياسة خفيفة الوزن لتخصيص ميزانيات حوسبة متغيرة لكل رمز ديناميكيًا عبر ضبط التشتت، والتقليم، والكمية، مما يحسن جودة وكفاءة الاستدلال بشكل كبير مقارنة باستراتيجيات التخصيص الثابتة.
تقدم هذه الورقة البحثية AssayBench، وهو معيار مرجعي جديد يضم 1,920 من فحوصات كريسبر (CRISPR) المصممة لتقييم قدرة النماذج اللغوية الكبيرة والوكلاء على التنبؤ بالنتائج المظهرية الخلوية، مما يكشف أن النماذج اللغوية الكبيرة العامة ذات القدرة على التعلم الصفري تتفوق حالياً على النماذج البيولوجية المتخصصة، مع تسليط الضوء على وجود مجال كبير للتحسين نحو تحقيق نماذج خلية افتراضية قوية.
تثبت هذه الورقة أنه في أنظمة الدقة الثابتة، يعادل الحد الأدنى لمعيار الوزن لشبكة عصبية تُنتج سلسلة ثنائية تعقيد كولموغوروف للسلسلة ضمن عوامل لوغاريتمية، مما يبرهن على أن اضمحلال الوزن يفرض ضمناً أولوية سولومونوف العالمية على الدوال القابلة للحوسبة.
تقدم هذه الورقة إطاراً تشخيصياً لكل رمز (per-token) لا يتطلب تدريباً، يكشف أن التقطير القائم على السياسة (on-policy distillation) يكون أكثر فائدة في تصحيح خطوات الاستدلال غير الصحيحة بدلاً من تعزيز الخطوات الصحيحة، مع إثبات أن تكوين التقطير الأمثل يختلف بشكل كبير بناءً على قدرة النموذج الطالب والمهمة المحددة.
تقدم هذه الورقة البحثية V4FinBench، وهو معيار مرجعي واسع النطاق يضم أكثر من مليون سجل لسنوات الشركات من اقتصادات مجموعة فيسيغراد المصمم لتقييم طرق التنبؤ بالإفلاس المؤسسي، والذي كشف أن نموذج TabPFN الضبط الدقيق والمدرك لعدم التوازن يتفوق على تعزيز التدرج القياسي والنماذج اللغوية الكبيرة مثل Llama-3-8B في التعامل مع عدم التوازن الشديد في الفئات والتنبؤ متعدد الآفاق الزمنية.
يُعد RubricEM إطار عمل للتعلم المعزز الميتاوي (meta-reinforcement learning) يعمل على تعزيز وكلاء البحث العميق عبر استخدام المعايير (rubrics) كواجهة مركزية لهيكلة تفكيك السياسة على مراحل، وتوفير تغذية راجعة دلالية كثيفة عبر خوارزمية GRPO المهيكلة للمراحل، وتطوير سياسة ميتاوية للتفكير، مما يحقق أداءً يضاهي الأنظمة المملوكة في معايير البحث طويلة المدى.
تقدم الورقة البحثية DataMaster، وهو إطار عمل لوكيل مستقل يعزز أداء تعلم الآلة من خلال تحسين مهام هندسة البيانات — مثل الاكتشاف، والاختيار، والتحويل — عبر بحث ذي بنية شجرية مع أحواض بيانات مشتركة وذاكرة تراكمية، محققاً تحسينات ملحوظة في اختبارات MLE-Bench Lite وPostTrainBench دون تعديل خوارزميات التعلم الأساسية.
تقترح هذه الورقة طريقة تدرج سياسة معممة بـ -خطوة تتغلب على الأمثلية المحلية قصيرة النظر المتأصلة في فئات السياسات المقيدة من خلال الربط بين العشوائية عبر نافذة زمنية قدرها -خطوة، مما يضمن نظرياً التقارب نحو الحلول القريبة من المثالية دون الاعتماد على عوامل عدم تطابق التوزيع.