22512 ورقة بحثية
تقترح هذه الورقة طريقة مبتكرة لتدريب أنظمة التوصية الحوارية تعمل على ضبط النماذج اللغوية الكبيرة لطرح الأسئلة بشكل استراتيجي باستخدام تقليل الإنتروبيا كإشارة مكافأة، مما يؤدي إلى تحسين دقة التوصية وكفاءة التفاعل دون الاعتماد على بيانات الحقيقة الأرضية غير المتوفرة.
تستخدم هذه الورقة شبكات كولموغوروف-أرنولد لإجراء تحليل وظيفي مرحلي للفروق بين مولدات الأحداث Pythia وHerwig، مما يكشف كيفية تطور واستمرار محركات الملاحظات المحددة مثل التعددية وشكل النفاث عبر مراحل الرش، والتهجين، والمولد الكامل.
تُثبت هذه الورقة أن نموذج الانتشار المنفصل القائم على المحولات، والذي تم تدريبه حصرياً على هدف إكمال البلاطات المحلية دون أي وصول إلى حلال أو تسميات قابلية الحل، يمكنه توليد ألغاز سوكوبان قابلة للحل بفعالية من خلال استغلال قدرته على التكيّف مع مجموعات فرعية عشوائية من اللوحة، مما يسمح بالتقاط التفاعلات غير المحلية الضرورية لتعقيد لعبة سوكوبان الذي ينتمي لفئة PSPACE-complete.
تقدم هذه الورقة SimpleCount، وهو نموذج مرجعي خالٍ من المعلمات يختار ميزة قياسية واحدة لإثبات أن طرق العد البسيطة غالباً ما تضاهي أو تتفوق على كواشف الشذوذ في الرسوم البيانية الزمنية المعقدة من حيث الأداء والكفاءة، مما يتحدى ضرورة البنى الهيكلية المتطورة التي تفتقر إلى التقييم المنهجي.
تقدم هذه الورقة طريقة "PAGE-Halpern" الماركوفية ذات التباين المختزل لإيجاد النقاط الثابتة للمؤثرات غير التمددية في فضاءات باناخ العامة ذات الأبعاد المحدودة، محققةً تعقيد عينات بمقدار وضمانات عالية الاحتمالية من خلال الاستفاء من تحليل معادلة بواسون وتقنيات تنعيم المعيار.
تكشف هذه الورقة أن الاختلاف الجوهري بين الخبراء والمشاركين من الجمهور على مستوى العناصر يتم حجبه بسبب صغر حجم لوحات المتصدرين، مما يخلق شعوراً زائفاً بالاستقرار في تصنيفات النماذج يفشل في التعميم مع زيادة عدد النماذج.
تضع هذه الورقة حدود تعميم نظرية المؤثرات للتعلم العميق متعدد المهام عبر تمثيل طبقات الشبكة كمؤثرات تركيب كوبمان على فضاءات هيلبرت لإعادة إنتاج القيم المتجهة، مع اشتقاق تقديرات متميزة لتعقيد رادماخر لنظم سوبوليف ونظم براون، بينما توفر أيضاً مبرهنة الممثل ذات الرتبة المحدودة وحدود نقل الهدف لتعلم المؤثرات المشتركة.
تقترح هذه الورقة إطار عمل للتعلم من العروض التوضيحية باستخدام نماذج الخليط الغاوسي المعتمدة على معلمات المهام (TPGMM) لتمكين روبوتات إعادة التأهيل من تعلم وتعميم التفاعلات الشخصية بين المعالج المادي والمريض لتدريب الأطراف العلوية المرتبط بمهام محددة، مما يثبت فعاليتها في إعادة إنتاج عزم الدوران الذي يطبقه المعالج عبر ظروف مهام متنوعة بأداء يضاهي أو يتفوق قليلاً على معيار جدول البحث (Look-Up Table).
تقدم هذه الورقة NICE، وهو إطار تفسيري مبتكر للشبكات العصبية الرسومية يستبدل عملية "القناع العنصري" (Element-wise Masking) المسببة لإزاحة التوزيع بـ "فساد الضجيج" (Noise Corruption) المستقر قياسياً للقضاء على "انزياح المقياس" (Scale Drift) وتوليد نسب حواف أكثر دقة عبر "حد استعادة عشوائي" (Stochastic Restoration Boundary).
تقترح هذه الورقة البحثية مسار معالجة مكوناً من مرحلتين وفعالاً من حيث الحوسبة، يجمع بين نموذج لتصنيف أنواع الخلايا يعتمد على LightGBM وخوارزمية حتمية للكشف عن الجداول، وذلك لتحقيق دقة تنافسية في فهم جداول البيانات مع تقليل المتطلبات الموردية بشكل كبير مقارنة بنهج المحولات (Transformers) والنماذج اللغوية الكبيرة (LLMs) القائمة على وحدات معالجة الرسومات، وهو ما تم التحقق من صحته بواسطة معيار StatSheets متعدد اللغات الذي تم تقديمه حديثاً.