24235 ورقة بحثية
تقدم هذه الورقة جسر شرويدنجر المعمم غير المحافظ (NCGSB)، وهو إطار عمل مبتكر قائم على ميكانيكا هاملتون التلامسية يتغلب على قيود حفظ الطاقة لنمذجة العمليات العشوائية ذات الطاقة المتغيرة عبر طريقة مسار "واترستاين" الجيوديسي للتلامس (CWG) فعالة حاسبياً وغير تكرارية يتم تنفيذها باستخدام بنيات الشبكات العصبية المتبقية (ResNet).
تقدم هذه الورقة تقنية "أربعة على ستة" (4/6)، وهي تقنية تغيير حجم الكتلة التكيفية لتكميم NVFP4 تعمل على تقليل خطأ التكميم من خلال ضبط مقاييس الكتل ديناميكيًا للتعامل بشكل أفضل مع القيم الكبيرة، مما يحقق أداءً في التدريب والاستدلال أقرب إلى BF16 مع حد أدنى من العبء الحسابي.
تقترح هذه الورقة استخدام البحث الشعاعي (beam search) بدلاً من أخذ العينات متعدد الحدود (multinomial sampling) لتوليد المرشحين لتقدير عدم اليقين القائم على الاتساق في النماذج اللغوية الكبيرة، مما يثبت أن هذا النهج يقلل التباين ويحقق أداءً رائدًا في مهام الأسئلة والأجوبة قصيرة الصيغة.
تقدم هذه الورقة البحثية إطار عمل GLiBRL، وهو إطار تعلم تعزيزي بايزي عميق مبتكر يستخدم دوال أساس قابلة للتعلم ونماذج خطية معممة لتحقيق استدلال بايزي قابل للتتبع بالكامل وتقييم دقيق للاحتمالية الهامشية، مما يتغلب على تمثيلات المهام غير الواضحة في الطرق السابقة ويحسن بشكل كبير الأداء المتميز في اختبارات MuJoCo وMetaWorld.
تتحدى هذه الورقة الافتراض القائل بأن زيادة التعقيد المعماري متعدد الوسائط تحسن الأداء، حيث تثبت من خلال دراسة تجريبية واسعة النطاق أن هذا التعقيد غالباً ما يؤدي إلى الارتباك ويفشل في التفوق على النماذج المرجعية البسيطة، داعيةً بذلك إلى تحول في التركيز من الحداثة المعمارية إلى الدقة المنهجية.
تؤسس هذه المساهمة إطاراً نظرياً قائماً على نظرية "باك-بيزيان" (PAC-Bayesian) للحد من تدهور الأداء وتقليله في عمليات الاستدلال عند حافة الشبكة والناتج عن التحققات غير المعروفة للقنوات اللاسلكية، وذلك عبر تقديم نموذج شبكة عصبية محسّن وخوارزمية تدريب مدركة للقناة تعمل على تحسين المتانة في ظل ظروف القنوات المتغيرة.
تقدم هذه الورقة تحليلاً دقيقاً لظاهرة "المحاذاة المشبوهة" في خوارزمية التدرج العشوائي المتناقص (SGD) تحت ظروف التحسين سيئة الحالة، كاشفةً كيف تتسبب شروط معينة لحجم الخطوة في محاذاة تحديثات التدرج مع فضاء جزئي مهيمن يفشل للمفارقة في تقليل الخسارة، بينما تظل التحديثات الموجهة للفضاء الجزئي الرئيسي فعالة.
تقدم هذه الورقة البحثية إطار عمل LB-MCTS، وهو إطار عمل مبتكر يدمج بين النماذج اللغوية الكبيرة والتحسين البايزي ضمن بنية بحث شجرة مونت كارلو، وذلك للتغلب على مشكلات البداية الباردة ومحدودية التعميم في مشكلات اختيار وتكوين مساحة البحث المستمرة (CASH) عالية الأبعاد، محققاً أداءً فائقاً عبر 104 مجموعات بيانات.
تقترح هذه الورقة إطار عمل ديناميكي لمتوسط النماذج بتوجيه من الخبراء، يقوم باستعلام الخبراء غير المكتملين بشكل انتقائي لحل حالات عدم اليقين بين خوارزميات اكتشاف السببية المتنوعة، مما يحسن الأداء في كل من البيانات النظيفة والمشوشة من خلال التمييز بين وجود الحافة واتجاهها.
إنّ LLM-AutoDP هو إطار عمل مبتكر يسخّر وكلاء النماذج اللغوية الكبيرة (LLM agents) لتوليد استراتيجيات معالجة البيانات وتحسينها بشكل تكراري لضبط النماذج بدقة، وذلك دون وصول مباشر من البشر إلى البيانات الحساسة، محققاً نتائج عالية الجودة ومقللاً وقت البحث بشكل كبير من خلال تقنيات تسريع متخصصة.