24514 ورقة بحثية
تقدم هذه الورقة إطاراً للتنبؤ الانتقائي الجوهري لنماذج تتبع المعرفة يستفيد من تقنية "مونت كارلو دروب أوت" (Monte Carlo Dropout) لقياس عدم اليقين المعرفي، مما يثبت أن تأجيل التنبؤات الأكثر عدم يقيناً يعزز الدقة والعدالة بشكل كبير، ويكشف في الوقت ذاته أن العوامل السيكومترية القياسية تفسر أقل من ربع إشارة عدم اليقين الخاصة بالنموذج.
تقدم هذه المساهمة "LLM DNA"، وهو إطار عمل قائم على أسس رياضية ولا يتطلب تدريباً، يستخلص تمثيلات وظيفية منخفضة الأبعاد لتتبع العلاقات التطورية غير الموثقة وبناء أشجار نسلية عبر مئات النماذج اللغوية الكبيرة.
تقدم هذه الورقة البحثية نموذج Geo-R1، وهو نموذج رؤية-لغة يتغلب على ندرة الإشراف في المجالات الجيومكانية من خلال الاستفادة من المكافآت غير المباشلة القابلة للتوسع والتحقق من البيانات الوصفية لتحقيق استدلال قوي صفري المعرفة يتجاوز المتخصصين الخاضعين للإشراف الكامل في اختبارات معيارية متنوعة.
تقدم هذه الورقة DIANO، وهو إطار عمل للمؤثرات العصبية ذات الترميز التلقائي القابلة للتفاضل، والذي يبني فضاءات كامنة منخفضة الأبعاد وقابلة للتفسير محكومة بمعادلات تفاضلية جزئية مدمجة لتمكين إعادة بناء فعالة ومتسقة فيزيائياً للبيانات الزمكانية عالية الدقة عبر تدرجات مكانية متفاوتة.
تقترح هذه الورقة طريقة تكيفية لاختيار سمات العقد غير معتمدة على البيانات أو النموذج أو المهمة للشبكات العصبية الرسومية، والتي تحدد وتزيل السمات غير ذات الصلة أثناء التدريب من خلال قياس التغيرات في أداء التحقق عند تبديل السمات، مما يوفر أداءً تنافسيًا ودرجات أهمية سمات ذات مغزى ومبكرة دون الاعتماد على افتراضات مسبقة.
يُعد SketchGuard إطار عمل قابلاً للتوسع للتعلم الاتحادي اللامركزي، حيث يقلل بشكل كبير من عبء الاتصالات والتكاليف الحسابية باستخدام مخططات العد (Count Sketches) منخفضة الأبعاد لفحص وتصفية الجيران البيزنطيين قبل تبادل ناقلات النموذج الكاملة، مع الحفاظ على مستويات متطورة من المتانة وضمانات التقارب.
تقترح هذه الورقة إطار عمل معززاً بالذاكرة يستفيد من الانتقادات التي تولدها النماذج اللغوية الكبيرة والمخزنة في الذاكرة العرضية والدلالية لتحسين قدرة الوكيل على التكيف وتقليل تكاليف الاستدلال دون تحديث المعلمات، مع تقديم مقياس "القابلية للتأثر" لتفسير تباينات الأداء عبر مختلف النماذج والمجالات.
تقترح هذه الورقة استراتيجيات تعلم نشط، بما في ذلك المصنف القائم على الغلاف المحافظ والمصنف القائم على الغلاف المعمم، لتقليل تدخل الخبراء البشريين المكلف في التصنيف القائم على النماذج اللغوية الكبيرة من خلال الاستفادة من الخصائص الهندسية لتمثيلات الاستعلام، مع توفير ضمانات ندم نظرية عبر آفاق زمنية مختلفة.
تقدم الورقة البحثية PORTool، وهو خوارزمية لتحسين السياسات القائمة على الأهمية تستفيد من أشجار التدحرج (rollout trees) ذات المكافآت لتعيين مكافآت على مستوى الخطوة بناءً على الصحة وصحة التنفيذ، مما يؤدي إلى حل غموض تحديد المسؤولية (credit-assignment ambiguity) وتحسين كل من دقة وكفاءة وكلاء الاستدلال المتكاملين مع أدوات متعددة.
تتحدى هذه الورقة الافتراض التقليدي بأن المعلومات الهيكلية ضرورية للاستدلال الرسومي من خلال إثبات أن النماذج اللغوية الكبيرة غالباً ما تحقق أداءً قوياً على الرسوم البيانية ذات السمات النصية باستخدام الأوصاف النصية للعقد فقط، بينما لا توفر معظم استراتيجيات الترميز الهيكلي الصريح سوى مكاسب هامشية أو حتى سلبية.