24235 ورقة بحثية
تقدم هذه الورقة البحثية CLP-SNN، وهي شبكة عصبية نبضية مصممة بشكل مشترك ومنفذة على Intel Loihi 2، تحقق تعلماً مستمراً عبر الإنترنت بدقة تضاهي الأساليب القائمة على إعادة التشغيل، مع توفير استهلاك طاقة أقل بمقدار يصل إلى 6,600 ضعف وزمن انتقال أقل بمقدار 113 ضعفاً مقارنة بالنماذج المرجعية القائمة على وحدات معالجة الرسومات الطرفية (edge-GPU)، مما يكسر المقايضة التقليدية بين الدقة والكفاءة.
تقدم الورقة البحثية NSL-MT، وهي طريقة تدريب للترجمة الآلية منخفضة الموارد تعمل على تعزيز كفاءة البيانات وأداء النموذج من خلال تعزيز البيانات المتوازية المحدودة بانتهاكات قواعدية مُولدة اصطناعياً لمعاقبة المخرجات غير الصحيحة لغوياً بشكل صريح.
يقدم هذا الإسهام STAMP، وهو محول مكاني-زماني خفيف الوزن ومرن مع تجميع متعدد الرؤوس، يُمكّن النماذج التأسيسية العامة للسلاسل الزمنية من تحقيق أداء في مهام تخطيط كهربية الدماغ (EEG) السريرية يضاهي نماذج تخطيط كهربية الدماغ المتخصصة، وذلك عبر الاستفاف من التضمينات أحادية المتغير لالتقاط الميزات المكانية-الزمانية بشكل ضمني.
تقدم الورقة البحثية NEAT، وهو محول مجموعات ذاتي الانحدار موجه بالجوار ومبتكر، جودة رائدة في توليد الجزيئات ثلاثية الأبعاد مع مزايا سرعة جوهرية على مجموعتي بيانات QM9 وGEOM-Drugs من خلال ضمان عدم التغير بالتبديل على المستوى الذري عبر استراتيجية تدريب مستقلة عن الترتيب.
تكشف هذه الورقة أن التقليم الهيكلي لعرض طبقات GLU-MLP في نماذج Llama-3.2 يخلق مقايضة فريدة حيث يؤدي تقليل نسبة التوسع إلى تدهور المعرفة البارامترية وزيادة كفاءة الطاقة، ومع ذلك فإنه يعزز بشكل متناقض اتباع التعليمات والصدق مع الحفاظ على قدرات الاستدلال متعدد الخطوات.
تقدم هذه الورقة نموذجاً للتعلم الآلي متعدد المهام وقابلاً للتوسع للمستشعرات الافتراضية، يتنبأ في آن واحد بإشارات متنوعة بكفاءة ودقة محسنتتين عبر الاستفادة من تآزر المهام والتعلم التلقائي للمدخلات ذات الصلة، متجاوزاً بذلك القيود الحسابية وقيود القابلية للتوسع التي تواجهها النهج المنعزلة أو القائمة على النماذج التأسيسية الحالية.
يقدم هذا الإسهام CLAMP، وهو إطار عمل جديد للتدريب المسبق ثلاثي الأبعاد يستفيد من التعلم التبايني على السحب النقطية متعددة المشاهد وأفعال الروبوت لتحسين كفاءة العينات وأداء سياسات التلاعب بالروبوت في كل من المهام المحاكاتية والواقعية.
تقدم هذه الورقة محولات المويجات متعددة المقاييس (MSWTs)، وهي بنية مبتكرة تتعلم ديناميكيات الأنظمة الديناميكية في مجال مويجة مُجزأ (tokenized wavelet domain) للتغلب على الانحياز الطيفي للمؤثرات العصبية الحالية، مما يؤدي إلى تحسين استقرار المدى الطويل ودقة الترددات العالية بشكل كبير في مهام التنبؤ بالمناخ الفوضوية والواقعية.
تحدد الورقة حلقة تغذية راجعة إيجابية للمعايير تؤدي إلى تدهور تعديلات النماذج المتتالية، وتقترح "توسيع مرساة المعيار" (Norm-Anchor Scaling - NAS)، وهي طريقة إضافية بسيطة تعيد قياس متجهات القيمة لكسر هذه الحلقة، مما يؤدي إلى تمديد أفق التعديل القابل للاستخدام بأكثر من أربعة أضعاف مع الحفاظ على فعالية التعديلات الفردية.
تقترح الورقة البحثية خوارزمية "الانتشار الموجه بـ لاغرانج المعزز" (ALGD)، وهي خوارزمية جديدة للتعلم التعزيزي الآمن خارج السياسة تعمل على تثبيت تدريب السياسة القائم على الانتشار في البيئات عبر الإنترنت باستخدام لاغرانج المعزز لجعل مشهد الطاقة غير المحدب محلياً محدباً، مما يضمن توليد إجراءات متعددة الأنماط بشكل آمن وفعال دون المساس بتوزيع السياسة الأمثل.