24308 ورقة بحثية
تقدم هذه الورقة نهجاً معززاً بالتعلم الآلي يعمل على تسريع إعادة البناء التكتيكي (ptychographic reconstruction) التكراري من خلال دمج مؤثر "الأمام السريع" (fast-forward operator) مُتعلم في الحلول القياسية، محققاً اختزالاً في وقت التنفيذ الفعلي (wall-clock time) يتجاوز الضعف مع الحفاظ على الاتساق الفيزيائي وإظهار المتانة على بيانات السينكروترون التجريبية.
تقدم هذه الورقة Extreme Weather Bench (EWB)، وهي مجموعة معايير جديدة مفتوحة المصدر ومدفوعة من المجتمع، صُممت لتوحيد تقييم نماذج الذكاء الاصطناعي ونماذج التنبؤ العددي بالطقس مقابل أحداث طقس عالمية متنوعة وعالية التأثير من خلال مجموعة موحدة من دراسات الحالة، والبيانات الرصدية، والمقاييس القائمة على التأثير.
تقدم هذه الورقة Forager، وهي بيئة تعلم تعزيزي مستمر خفيفة الوزن، ذات إمكانية ملاحظة جزئية وببصمة ذاكرة ثابتة، صُممت لتسهيل الدراسة المتعمقة لفقدان الوكلاء للمرونة والدور الحاسم لبناء الحالة في التعامل مع تدفقات غير منتهية من المهام الجديدة.
تُثبت هذه الورقة أن التخفيف الطيفي للرسوم البيانية (spectral graph sparsification) يحافظ على البنية الهندسية للتضمينات المتعلمة في الشبكات العصبية الرسومية ذات المرشحات متعددة الحدود، وذلك من خلال إثبات أن عملية التخفيف تسبب اضطرابات محدودة في المرشحات والتمثيلات الخفية، مما يضمن استقرار ديناميكيات التدريب وقابلية التفسير في المهام اللاحقة.
تقدم هذه الورقة "تسرب اللاحقة المعياري" (mPL) وإطار التحكم التكيفي الخاص به (AmPL) لمعالجة الثغرات الأمنية المتعلقة بالخصوصية في الخصوصية التفاضلية المعيارية في إعدادات الاستهلاك المشترك، حيث يمكن للأدلة المجمعة أن تكشف عن معلومات حساسة رغم وجود حمايات لكل سجل.
تقدم هذه الورقة نهجاً قائماً على TinyLM معززاً بتقنيات الضبط الدقيق وقت الاختبار مثل التدريب وقت الاختبار (Test-Time-Training) وحاصل ضرب الخبراء (Products of Experts) لحل ألغاز ARC-AGI-2 البصرية، محققةً دقة بنسبة 21.7% على مجموعة التقييم.
تقدم هذه الورقة إطار عمل يتكون من أخذ عينات النواة المتماثلة ومحرك تضمين الخبراء لتنقية أزواج التدريب ودمج خبراء التضمين، مما يؤدي بفعالية إلى تقليص الفجوة بين الأنماط وتحسين استرجاع الوسائط المتعددة وأداء النماذج في المهام اللاحقة على مجموعات البيانات غير المتجانسة.
تقدم هذه الورقة إطاراً منهجياً لتقليل الأضرار الجانبية في توجيه التنشيط من خلال صياغته كمسألة تحسين مقيدة تأخذ في الاعتبار التكاليف غير الموحدة للاضطرابات عبر اتجاهات الميزات باستخدام مصفوفة العزم الثاني التجريبية للتنشيطات.
تقدم هذه الورقة نظرية غير تقاربية لتعميم التعلم العميق بناءً على تقسيم نواتج فضاء المخرجات بواسطة نواتج التانغنت العصبية التجريبية، والتي تفسر ظواهر مثل الإفراط الحميد في التخصيص والتدقيق (grokking)، مع تقديم مسبق شرطة عملي يعتمد على نسبة الإشارة إلى الضجيج (SNR) يعمل على تسريع التدريب وكبح الحفظ دون الحاجة إلى بيانات التحقق.
تكشف هذه الورقة عن دورة تكرارية من تخفيف التركيز في ديناميكيات تدريب نماذج المحولات (Transformer)، مما يفسر كيف يتقدم تعلم الانتباه على البيانات الماركوفية عبر مراحل متميزة من تكثيف الرتبة، والتركيز المدفوع بالتردد، وإعادة توزيع الكتلة، وكسر التماثل لبدء دورات تعلم لاحقة.