24135 ورقة بحثية
تقترح هذه الورقة إطار عمل قائم على البيانات يتكون من مرحلتين، يجمع بين طريقة التعبير المحدود لاكتشاف الديناميكيات الحتمية والنماذج التوليدية لالتقاط العشوائية المتبقية، مما يتيح الاسترداد الدقيق للمعادلات الحاكمة والعزوم الإحصائية عالية الرتبة في الأنظمة المضطربة.
تقدم الورقة البحثية RelFlexformer، وهي فئة من نماذج الـ 3D-Transformer الفعالة التي تستخدم تحويل فوريه غير المنتظم (NU-FFT) لدمج ترميزات المواضع النسبية القابلة للتكامل التعسفية بتعقيد قدره ، مما يتيح آليات انتباه فعالة لكل من الشبكات المهيكلة والبيانات ثلاثية الأبعاد غير المتجانسة غير المهيكلة مثل السحب النقطية.
تثبت هذه الورقة أنه في حين أن التعقيد العيني من الناحية المعلوماتية للاسترداد المتناثر باستخدام بيانات مختلطة الجودة يعتمد على مقايضة متغيرة لـ "ثمن الجودة" بين القياسات عالية التباين ومنخفضة التباين، فإن عتبة الاسترداد الخوارزمي باستخدام طريقة "لاسو" (LASSO) في الإطار غير المفترض (agnostic setting) تظل قوية وتعتمد فقط على متوسط مستوى الضجيج.
تقدم الورقة البحثية U2Diffine، وهو نموذج انتشار موحد يقوم في آن واحد بإكمال مسارات الوكلاء المتعددين والتنبؤ بها، مع توفير تقديرات لعدم اليقين المتباين لكل حالة وتصنيفات احتمالية الخطأ للأنماط المولدة، متفوقاً بذلك على الأساليب الرائدة عبر أربع مجموعات بيانات رياضية.
تقدم هذه الورقة AURORA، وهو إطار عمل خفيف الوزن من الوكلاء الدقيقين المتوازيين الذي يستفيد من مبدأ الطاقة الحرة، وحساب "do" السببي، وآلية تنفيذ ثنائية البوابات لتشخيص وتخفيف الإخفاقات الرمادية في المتصل الحوسبي بشكل موثوق مع القضاء على التدخلات التدميرية من خلال الوعي الصارم بعدم اليقين.
تقترح هذه الورقة البحثية وتتحقق من صحة استراتيجية عامة للتدريب المسبق للشبكات العصبية الرسومية على بصمات الاتصال الموسعة (ECFPs) لتحسين أدائها بشكل كبير في مهام علاقة البنية بالنشاط الكمي (QSAR) المتنوعة، مع إثبات مكاسب ذات دلالة إحصائية في المعايير القياسية، مع ملاحظة القيود في السيناريوهات شديدة التباين أو المعقدة خارج نطاق التوزيع.
تقدم هذه الورقة البحثية "الانجراف المتدرج للنواة" (kernel-gradient drifting)، وهو إطار توليدي أحادي الخطوة يعمم نماذج الانجراف القياسية على نواًة عشوائية وفضاءات غير إقليدية من خلال استبدال الإزاحات الثابتة باتجاهات تدرج مستحثة بالنواة، مما يحقق أداءً رائدًا على أنواع بيانات متنوعة دون الحاجة إلى التقطير من نماذج الانتشار سابقة التدريب.
يقدم AdaPaD إطار عمل للتفريغ المتوازي التكيفي لضبط النماذج مسبقة التدريب بكفاءة (PEFT)، والذي يقوم في آن واحد بتدريب مكونات الرتبة-1 مع تقارب خطأ ذاتي التصحيح واكتشاف ديناميكي للرتبة، محققاً أداءً تنافسياً مع أحجام محولات أصغر بكثير مقارنة بطرق LoRA الحالية.
تقترح هذه الورقة البحثية إطار عمل FedMITR، وهو إطار تعلم اتحادي من خطوة واحدة (one-shot) لنماذج المحولات الرؤيوية (Vision Transformers)، يجمع بين عكس النموذج المتناثر (sparse model inversion) لتوليد بيانات اصطناعية متوافقة دلاليًا واستراتيجية إعادة تسمية الرموز (token relabeling) لتعزيز متانة التنبؤ، مما يحقق أداءً فائقًا وحدود تعميم أكثر إحكامًا في ظل ظروف التوزيع غير المتماثل للبيانات (non-IID).
تقدم هذه الورقة طريقة "تعزيز مطابقة الـ adjoint" (RAM)، وهي طريقة قابلة للتوسع للتدريب اللاحق باستخدام التعلم المعزز لنماذج الانتشار ومطابقة التدفق، تحقق محاذاة فائقة مع المكافآت عبر اشتقاق فقد اتساق بسيط يصحح أهداف ما قبل التدريب دون الحاجة إلى عمليات تدفق SDE مكلفة، أو مسوحات adjoint خلفية، أو تدرجات مكافأة.