24514 ورقة بحثية
تقدم هذه الورقة "الاستدلال التبايني العميق للانحدار الرمزي" (DVISR)، وهو امتداد بايزي تبايني لـ "الانحدار الرمزي العميق" يستنتج التوزيعات البعدية لكل من أشجار التعبيرات وثوابتها لتمكين الانحدار الرمزي القابل للتوسع والمدرك لعدم اليقين.
تُثبت هذه الورقة أن إطار عمل Infoprop Dyna يُمكّن روبوت Mini Wheelbot من تعلم السباق عالي السرعة على مسار في العالم الحقيقي خلال 11 دقيقة فقط، مما يلغي الحاجة إلى محاكيات قائمة على الفيزياء وتقنيات التوزيع العشوائي للمجال التي تُتطلب عادةً لعملية النقل من المحاكاة إلى الواقع.
تقدم هذه الورقة طريقة عالية الكفاءة وقابلة للنقل لصياغة أمثلة خادعة غير مستهدفة من خلال تحسين مرشحات صور تلافيفية بسيطة بحجم 3×3 مستوحاة من كشف الحواف، محققة معدلات نجاح هجومية كبيرة بـخمس مراتب عشرية أقل من النماذج القائمة على النماذج التوليدية.
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.