24135 ورقة بحثية
تقدم هذه الورقة التنبؤ التوافقي البايزي (BCP)، وهو إطار عمل يصيغ التنبؤ التوافقي كمسألة تحسين لمخاطر القرار لتوليد مجموعات تنبؤ ذات كثافة احتمالية قصوى، قد تكون منفصلة وفعالة، مع ضمانات تغطية للعينات المحدودة، حتى في ظل عدم ملاءمة النموذج.
تقترح الورقة البحثية إطار عمل CaRE، وهو إطار تعلم مستمر قابل للتوسع يستخدم آلية خليط من الخبراء (Mixture-of-Experts) ذات توجيه ثنائي المستوى للتعامل بفعالية مع تسلسلات مهام طويلة للغاية تتجاوز 300 مهمة، مصحوباً بتقديم مجموعة بيانات OmniBenchmark-1K الصعبة للتقييم.
تُظهر هذه الورقة أن الشبكة العصبية المتكررة المدربة على التنبؤ بالرموز المتسلسلة في المشاهد ثنائية الأبعاد تطور تلقائياً آليات التكامل المساري وربط موقع الكائن الديناميكي، مما يُمكّن من التعلم المرن ضمن السياق والتنبؤ القوي بالمشاهد الجديدة.
تقدم هذه الورقة ميزات المانيفولد العشوائية (MRFs)، وهي نموذج جديد يستفيد من التجزئة المانيفولدية وميزات الرسم البياني العشوائية لتوليد تقريبات موجبة، ومحدودة، ومتصلة للدوال ثنائية المتغيرات على المانيفولدات العامة، مع إرساء صلة نظرية عميقة بين الميزات العشوائية المنفصلة والمتصلة وتبسيط تقريبات نواة غاوس لتطبيقات مثل محولات الانتباه الخطي (linear-attention Transformers).
تستنتج هذه الورقة نظرياً وتتحقق من صحة جداول معدل التعلم المثلى لنماذج الميزات العشوائية باستخدام نظرية التحكم الأمثل، حيث تحدد مراحل تدريب "سهلة" و"صعبة" متميزة تملي ما إذا كانت استراتيجيات التحلل متعدد الحدود أو استراتيجيات الإحماء-الاستقرار-التحلل تحقق أداءً فائقاً مقارنة بالمعايير المرجعية القياسية.
تقدم الورقة البحثية SOCKET، وهي آلية انتباه متفرقة مبتكرة تستبدل تقنية التجزئة حساسة الموضع (Locality-Sensitive Hashing) الصلبة التقليدية بنواة تصادم احتمالية لينة لتمكين اختيار الرموز بكفاءة وخفة في الذاكرة، وتحقيق إنتاجية أعلى بما يصل إلى 1.5 ضعف مقارنة بـ FlashAttention أثناء الاستدلال للسياقات الطويلة.
تتناول هذه الورقة مشكلة انهيار الإنتروبيا في التعلم التعزيزي بالمكافآت القابلة للتحقق (RLVR) عبر اقتراح آلية قص ديناميكية مبتكرة تستفيد من منظور الحفاظ على التدرج للتحكم بدقة في إنتروبيا السياسة من خلال استراتيجيات مثبتة تجريبياً، مما يمنع الثقة المفرطة المبكرة ويعزز أداء الاستدلال في النماذج اللغوية الكبيرة (LLM).
تُثبت هذه الورقة أن مبرهنات البرهان الهرمية تحقق اختزالاً أسياً في تعقيد العينات مقارنة بالمبرهنات المسطحة، وذلك من خلال تعلم هياكل برهان قابلة لإعادة الاستخدام من آثار المعلم، مما يتجنب التكرار غير الضروري للبرهنات الفرعية الصعبة المتأصل في التمثيلات المسطحة.
تقدم الورقة البحثية AMORTIX، وهو نموذج محول رسومي (Graph Transformer) مستهلك (amortized) يحقق تحسيناً جزيئياً فعالاً بمرور واحد دون الحاجة إلى استدعاءات "أوراكل" (oracle) أثناء الاستدلال، وذلك عبر توظيف تحسين السياسة النسبية للمجموعات (Group Relative Policy Optimization) لتثبيت التدريب عبر مختلف القيود الهيكلية والبنى الأولية.
تقترح هذه الورقة إطار عمل SCOPE، وهو إطار عمل مهيكل موجه بالنماذج الأولية ومدرك للثقة، يعالج تحديات تكييف نماذج التأسيس الخاصة بتخطيط كهربية الدماغ (EEG) مع الإعدادات محدودة الملصقات من خلال التخفيف من سوء المعايرة المفرط في الثقة وانزياح التمثيل عبر الإشراف على مستوى المجموعة ومحول خفيف الوزن مشروط بالنماذج الأولية.