24514 ورقة بحثية
تقدم الورقة البحثية KASBA، وهي خوارزمية جديدة وقابلة للتوسع لتجميع السلاسل الزمنية، تستفيد من مسافة "النقل-التقسيم-الدمج" (Move-Split-Merge) والاشتقاق الفرعي العشوائي لتحقيق توازن متفوق بين دقة التجميع العالية وتقليل وقت التشغيل بشكل كبير مقارنة بالطرق الحالية المتطورة.
تقدم الورقة البحثية L2RU، وهي فئة جديدة من نماذج فضاء الحالة الهيكلية التي تضمن استقرار المدخلات والمخرجات والمتانة من خلال حدود كسب محددة عبر معاملات متخصصة، مما يتيح التحسين غير المقيد ويُظهر أداءً فائقاً في تحديد الأنظمة غير الخطية مقارنة بالبنيات الحالية.
تُثبت هذه الورقة أن الشبكات العصبية العميقة المستوحاة من الكم (QDNNs) توفر دقة تنبؤية فائقة وعدم يقين أكثر إحكاماً مقارنة بالطرق الكلاسيكية لاستخراج عوامل فورما كومبتون من بيانات مختبر جيه لابس (JLab) التجريبية، مما يرسخها كأداة فعالة للدراسات متعددة الأبعاد المستقبلية للبنية الهادرونية.
تتقصى هذه الورقة البحثية تأثير التكميم على استرجاع المعرفة الواقعية في النماذج اللغوية الكبيرة، كاشفةً أنه بينما يتسبب التكميم عموماً في فقدان المعلومات وتدهور الأداء — لا سيما في النماذج الأصغر — إلا أنه لا يضعف الاسترجاع دائماً ويمكنه أحياناً تعزيزه، حيث أظهرت BitSandBytes أعلى مستوى من الحفاظ على القدرات الأصلية.
يقدم هذا المسح التقني نظرة عامة دقيقة رياضياً على التعلم المعزز الآمن والتعلم المعزز الآمن متعدد الوكلاء استناداً إلى عمليات ماركوف لاتخاذ القرار المقيدة، مع مراجعة الأسس النظرية والخوارزميات الحديثة واقتراح خمس مشكلات بحثية مفتوحة لتوجيه التطورات المستقبلية.
تقدم هذه الورقة البحثية خوارزمية DB-KSVD، وهي خوارزمية تعلم القواميس القابلة للتوسع التي تطوع طريقة KSVD الكلاسيكية لفك تشابك التضمينات عالية الأبعاد في نماذج المحولات الضخمة بكفاءة، مما يظهر أداءً تنافسياً مع المشفّرات التلقائية المتناثرة مع إثبات فعالية مناهج التحسين التقليدية لقابلية التفسير الآلي.
تقدم هذه الورقة PJAX، وهو إطار عمل قائم على JAX يعيد صياغة تدريب الشبكات العصبية كمسألة جدوى قابلة للتوازي وخالية من التدرج باستخدام مؤثرات إسقاط تكرارية، مما يقدم بديلاً مقنعاً للتحسين التقليدي القائم على التدرج مع مزايا في التعامل مع العمليات غير القابلة للاشتقاق وتمكين التوازي الهائل.
تقدم الورقة البحثية PuckTrick، وهي مكتبة بلغة بايثون تعمل على تعزيز واقعية البيانات الاصطناعية من خلال إدخال أخطاء محكومة بشكل منهجي مثل القيم المفقودة والضجيج، مما يزيد من متانة ونماذج تعلم الآلة وقدرتها على التعميم مقارنة بالتدريب حصرياً على مجموعات بيانات اصطناعية نظيفة.
تقترح الورقة البحثية "التحجيم التكيفي لقيود السياسة" (ASPC)، وهو إطار عمل قابل للاشتقاق من الدرجة الثانية يوازن ديناميكيًا بين التعلم التعزيزي واستنساخ السلوك للقضاء على الحاجة إلى ضبط المعلمات الفائقة لكل مجموعة بيانات، محققًا أداءً رائدًا عبر 39 مجموعة بيانات مع حد أدنى من العبء الحسابي.
تقدم الورقة البحثية RoseCDL، وهي خوارزمية تعلم القواميس الالتفافية (Convolutional Dictionary Learning) قوية وقابلة للتوسع، تستخدم النوافذ العشوائية والكشف المضمن عن القيم المتطرفة لتحديد الأحداث النادرة والشذوذ بكفاءة في الإشارات واسعة النطاق.