24308 ورقة بحثية
تقدم هذه الورقة طريقة تسمى التوجيه التقاربي-التباعدي (Convergent-Divergent Routing) مقترنة بمعايرة اللوجيت المزدوجة (Dual Logit Calibration) لتحقيق تحكم دقيق وقابل للتفسير في الاستدلال الأخلاقي للنماذج اللغوية الكبيرة عبر توجيهها نحو أطر أخلاقية محددة مثل النفعية أو الواجبية مع الحفاظ على قدراتها العامة.
تُثبت هذه الورقة أن الاستفادة من التماثلات الذاتية للشيفرة (code automorphisms) لتعزيز البيانات أثناء التدريب والاستدلال ترفع بشكل كبير من أداء نماذج فك التشفير العصبية القائمة على المتلازمة (syndrome-based)، مما يمكنها من الاقتراب بشدة من فك التشفير بالاحتمال الأقصى (maximum likelihood decoding) للشيفرات القصيرة وعالية المعدل حتى مع وجود مجموعات بيانات محدودة.
تقدم هذه الورقة خوارزميات دقيقة وتقريبية محسنة لتعلم الأشجار متعددة الفروع (polytrees) المثلى، بما في ذلك خوارزمية بزمن قدره لدرجة داخلية محدودة ومخططات تقريبية ذات زمن حدودي مع حدود دنيا وثيقة على التعقيد وعوامل التقريب.
تقترح هذه الورقة إطاراً موحداً للنمذجة التوليدية في خطوات معدودة يعتمد على خرائط التدفق التراكمي، مما يتيح نقلاً عالي الجودة وطويل المدى في فضاء الاحتمالات مع حد أدنى من التغييرات الهيكلية وتكاليف استدلال منخفضة عبر مهام متنوعة.
تقدم هذه الورقة "Grounded Correspondence"، وهو إطار عمل خالٍ من المعلمات للتعلم المرتكز على الكائنات في الفيديو، يستبدل التنبؤ الزمني المتعلم والمكلف بالمطابقة ثنائية التجزئة الحتمية على ميزات ذاتية التوجيه مجمدة لتحقيق أداء تنافسي.
تقدم هذه الورقة البحثية Uni-OPD، وهو إطار عمل موحد للتقطير القائم على السياسة (on-policy distillation) يعالج الاختناقات في استكشاف الحالة والإشراف على المعلم من خلال استراتيجية ثنائية المنظور، مما يثبت فعاليته عبر إعدادات متنوعة للنماذج اللغوية الكبيرة (LLM) والنماذج اللغوية متعددة الوسائط الكبيرة (MLLM) عبر تجارب مكثفة.
تقدم هذه الورقة طريقة للشبكات العصبية الرسومية تدمج فقدان الدلالة المستمد من الأنطولوجيا لتوليد تضمينات لرسوم بيانية معرفية مدركة للتسلسل الهرمي، مما يحسن بشكل كبير التنبؤ والتفسير البيولوجي لآثار حذف جينات الخميرة، بما في ذلك عمليات التعطيل المزدوجة والثلاثية.
تقدم هذه الورقة البحثية "خسارة الديناميكية التطورية" (EDL)، وهي إطار عمل غير مقيد بتوزيع معين يقوم بالتدريب المسبق لخسارة تصنيف قابلة للنقل باستخدام بيانات اصطناعية واستراتيجية تطورية ذات طفرة فوضوية، محققاً أداءً تنافسياً كبديل جاهز للاستخدام بدلاً من "الإنتروبيا التقاطعية" دون الحاجة للوصول إلى عينات حقيقية خلال مرحلة التدريب المسبق.
تجادل هذه الورقة بأن تقليل متوسط مربع الخطأ عند تعويض القيم المفقودة يؤدي إلى تحيزات منهجية في التحليلات اللاحقة من خلال كبح التباين الطبيعي للبيانات، وتثبت أن إضافة ضوضاء تتناسب مع متوسط مربع الخطأ (التعويض العشوائي) أمر ضروري للحفاظ على التباين وضمان تقديرات إحصائية غير متحيزة.
يقدم GEM-FI عائلة من نماذج التعلم العميق الدليلية أحادية الممر التي تستخدم إشارات طاقة مبوبة وتنظيماً مسترشداً بـ "فيشر" لقمع الثقة المفرطة بفعالية، والتقاط عدم اليقين المعرفي متعدد الأنماط، وتحسين أداء المعايرة وكشف البيانات خارج التوزيع بشكل كبير مقارنة بالطرق الحالية.