24235 ورقة بحثية
يُعد MedMamba نموذج فضاء حالة ثنائي الاتجاه متعدد المقاييس وقائم على المبادئ، يستفيد من الانحيازات الاستقرائية المحددة للإشارات الفسيولوجية لتحقيق دقة متفوقة وسرعة استنتاج تبلغ 4.6 ضعفاً مقارنة بالطرق القائمة على المحولات (Transformer) لتصنيف السلاسل الزمنية الطبية.
تقدم هذه الورقة البحثية "الضبط المتسلسل للوكلاء" (Sequential Agent Tuning - SAT)، وهو إطار عمل للتدريب خالٍ من المنسق، يتيح تعاوناً مستقراً وقابلاً للتوسع بين نماذج لغوية كبيرة متعددة مع ضمانات تحسن رتيبة وخاصية عدم التغير القابلة للتشغيل والتركيب المباشر، مما يثبت تجريبياً أن فريقاً من النماذج الأصغر يمكنه التفوق على النماذج الفردية الأكبر حجماً بكثير في الاختبارات المعيارية المعقدة.
يجسر هذا المقال الفجوة بين التعددية التنبؤية والديناميكيات الفوضوية من خلال تقديم "مجموعات راشومون المقيدة بالأفق"، وهو إطار عمل يصف كيفية تطور تنوع النماذج مع أفق التنبؤ في الأنظمة الفوضوية لتمكين اختيار النماذج الموجه نحو القرار، مما يحسن بشكل كبير المنفعة النهائية في التطبيقات الحرجة للسلامة.
تقدم هذه الورقة البحثية التخزين المؤقت للبادئات المتفرقة (sparse prefix caching) لخدمة النماذج اللغوية الكبيرة الهجينة والمتكررة، وهي طريقة تعمل على تحسين زمن الاستجابة من خلال تخزين الحالات المتكررة بدقة عند مواضع نقاط تفتيش متفرقة لاستئناف الحوسبة من أعمق تطابق، مما يتفوق بذلك على الاستدلالات للتخزين المؤقت الكثيف الموجودة حالياً مع الحفاظ على المخرجات الدقيقة وعدم الحاجة إلى تغييرات في النواة (kernel).
تقدم هذه الورقة MidSteer، وهو إطار عمل أفيني (affine) مبتكر يوفر أساساً نظرياً شاملاً لتوجيه المفاهيم في النماذج التوليدية من خلال تعميم الأساليب الحالية مثل LEACE لتمكين تحويلات مثالية وذات حد أدنى من الاضطراب عبر مختلف البنيات والأنماط.
تقدم هذه الورقة "تعلم الأساسات التبايني القائم على البيانات" (DVBL)، وهو إطار عمل غير عصبي يتعلم دوال أساس تفسيرية ومتكيفة مع البيانات من خلال التحسين التبايني، مما يوفر بديلاً شفافاً رياضياً للشبكات العصبية مع تقديم ضمانات صارمة بشأن الوجود والتقارب والقابلية لتحديد الهوية.
تقدم الورقة البحثية آلية "الانتباه الانتقائي للرموز" (TSA)، وهي آلية بوابات خفيفة الوزن وقابلة للتفاضل من طرف إلى طرف، تُمكّن نماذج المحولات (transformers) من تخطي حسابات الطبقات الزائدة ديناميكياً لكل رمز على حدة بناءً على الصعوبة السياقية، مما يحقق مكاسب كفاءة كبيرة مع حد أدنى من فقدان الجودة ودون الحاجة إلى تنظيم صريح للعمق.
تقدم هذه الورقة إطاراً هندسياً يوضح أن التوجيه الميزاتي التركيبي في المشفِّرات التلقائية المتفرقة محدود جوهرياً بالتداخل غير الخطي و"تأثير السقاطة"، اللذين يتسببان في انحراف وانهيار منهجيين عند دمج الميزات الدلالية، مما يتحدى قابلية التوسع للتراكب الخطي الساذج.
تحدد هذه الورقة البحثية أوجه القصور في الأمثلة غير القابلة للتعلم الحالية في ظل نموذج ما قبل التدريب والضبط الدقيق نتيجة للترشيح الدلالي بواسطة الطبقات المجمدة، وتقترح استراتيجية "تمويه دلالي ضحل" (Shallow Semantic Camouflage) جديدة للحفاظ بفعالية على عدم قابلية تعلم البيانات عبر إعدادات تدريب متنوعة.
تقترح هذه الورقة استراتيجية تحسين تطورية لضبط حالات التكميم للأوزان في نماذج التعلم العميق سابقة التدريب، مما يثبت أن إزاحة القيم بعيدًا عن تقريب أقرب جار القياسي يحسن بشكل كبير من دقة البنيات المكممة مثل VGG وResNet والمشفرات التلقائية للتطبيقات ذات الموارد المحدودة.