24235 ورقة بحثية
تقترح هذه المقالة طريقة خالية من أخذ العينات تستخدم التراكمات وتوسيعات هيرميت لتقدير المخرجات المتوقعة للشبكات العصبية الاصطناعية ذات الانتشار الواسع بكفاءة، مما يحقق تكاليف حوسبة أقل مقارنة بطريقة مونت كارلو التقليدية لأخذ العينات ودقة فائقة للأحداث النادرة.
تثبت هذه الورقة أن السعة التخزينية للذاكرة الترابطية الخطية تخضع لانتقال طوري حاد يعتمد على معيار الاسترجاع، مما يتطلب قياساً لوغاريتمياً لـ لاسترجاع "الفائز الوحيد" (top-1) الصارم، بينما يتطلب فقط قياساً خطياً لـ للاسترجاع القائم على القائمة (listwise retrieval)، وهي نتيجة مستمدة من خلال إطار عمل "هامش متوسط الذيل" (Tail-Average Margin) المبتكر والتحليل التقاربي الدقيق.
تحدد هذه المساهمة مشكلة الرموز الشاذة (outlier tokens) في نماذج محولات الانتشار (Diffusion Transformers - DiTs) وتعالجها من خلال تقديم السجلات ثنائية المراحل (Dual-Stage Registers - DSR)، وهي طريقة تقلل بفعالية من العيوب وتحسن جودة توليد الصور في كل من مكونات الترميز وإزالة الضجيج.
تقترح هذه الورقة شبكة تقدير الدعم التلافيفية المتناثرة (CSEN)، وهي نموذج تعلم عميق مدمج يقوم برسم خرائط مباشرة من قياسات الاستشعار الضغطي إلى مؤشرات دعم الإشارة المتناثرة، مما يتيح تحديد مواقع الشذوذ في الوقت الفعلي وبتكلفة منخفضة، ويعزز أداء استعادة الإشارة المتناثرة مع تقليل التعقيد الحسابي بشكل كبير.
تقترح هذه المقالة شبكة تقدير دعم تلافيفية متفرقة (CSEN) مبتكرة لتمكين الكشف الفوري والدقيق عن كوفيد-19 من صور الأشعة السينية للصدر، وذلك عبر سد الفجوة بين التمثيل المتفرق القائم على النماذج والتعلم العميق للتغلب على قيود مجموعات البيانات الصغيرة.
تقترح هذه الورقة البحثية "محول كشف دوار" (Rotated Detection Transformer) يعمل على تحسين كشف الأجسام الموجهة من خلال إدخال تكلفة قائمة على مسافة هاوسدورف (Hausdorff distance) لتحقيق مطابقة ثنائية التجزئة أكثر دقة، وطريقة تنويع استعلام تكيفية للتغلب على قيود التنويع الثابت، مما يحقق مكاسب كبيرة في الأداء عبر معايير قياسية متعددة.
تقدم هذه الورقة "إثبات التدريب" (PoT)، وهو بروتوكول يعيد توظيف موارد تعدين "إثبات العمل" المستهلكة للطاقة في تدريب نماذج تعلم آلي قابلة للتحقق، مما يثبت من خلال التحليل النظري والتنفيذ أن هذا النهج يحقق إنتاجية عالية، ومتانة، وأمنًا معززًا للشبكة مع معالجة الفجوات التقنية في التعلم اللامركزي.
تستعرض هذه الورقة المراجعية التطورات الحديثة في الذكاء الاصطنا التوليدي، لا سيما نماذج الانتشار والمحولات، عبر تطبيقات رعاية صحية متنوعة مثل التصوير الطبي، واكتشاف الأدوية، ودعم القرار السريري، مع تقييم القدرات الحالية، والقيود، واتجاهات البحث المستقبلية.
تقدم هذه الورقة البحثية AutoFLIP، وهو إطار عمل للتعلم الاتحادي يعيد صياغة عدم تجانس بيانات العميل كميزة مفيدة من خلال الاستفادة من استكشاف تضاريس الخسارة التعاوني لتوجيه التقليم التكيفي، مما يقلل بشكل كبير من الأعباء الحسابية وأعباء الاتصال مع الحفاظ على دقة تضاهي أحدث المعايير في بيئات البيانات غير المتماثلة (non-IID).
تقدم هذه الورقة إطاراً موحداً للنمذجة التوليدية للبيانات الجدولية يقدم دالة خسارة جديدة واعية بالارتباط والتوزيع لتحسين دقة البيانات، ويقترح استراتيجية تحسين الهدف التكراري عبر الاستمثال البايزي (IORBO) لضبط فائق للمعلمات الفائقة، ويتحقق من هذه التحسينات من خلال اختبارات مرجعية شاملة عبر عشرين مجموعة بيانات من العالم الحقيقي.