24514 ورقة بحثية
يُعدُّ PATCH إطار عمل هجين للتخلخل (sparsity) يقوم بتقسيم مصفوفات أوزان النماذج اللغوية الكبيرة (LLM) إلى بلاطات (tiles) ذات خرائط كثيفة قابلة للتعلم أو خرائط تخلخل بنسبة 2:4 لتمكين نسب تخلخل مستمرة بين 0% و50%، مما يحقق دقة فائقة وتسريعًا عمليًا على وحدات معالجة الرسومات مقارنة بطرق التقصيف (pruning) الحالية غير المنظمة أو شبه المنظمة الجامدة.
تقترح هذه الورقة إطار عمل مبتكرًا يجمع بين التصميم التجريبي البايزي وتعلم بنية المزيج التبايني لدمج المعرفة الخبيرة في اكتشاف الهياكل السببية غير المتجانسة، مما يتيح استنتاج مزيج من الشبكات البايزية السببية التي تتفوق على الأساليب الحالية في كل من البيانات الاصطناعية وبيانات سرطان الثدي الواقعية.
تقدم هذه المساهمة LUME-DBN، وهي طريقة عينات جيبس بايزية كاملة مبتكرة تعامل القيم المفقودة كمعلمات مجهولة لتحسين تعلم الشبكات البايزية الديناميكية من بيانات وحدة العناية المركزة غير المكتملة، مما يوفر دقة إعادة بناء وتكميم عدم يقين متفوقة مقارنة بالإجراءات القياسية مثل MICE.
تقيم هذه الورقة البحثية بشكل منهجي ستة مقاييس لسلامة الحقائق لا تعتمد على مراجع في تلخيص المستندات الطويلة، كاشفةً عن قصورها الكبير في التعامل مع التبعيات طويلة المدى والادعاءات كثيفة المعلومات من خلال سلسلة من الاضطرابات الحافظة للحقائق، مع اقتراح اتجاهات محددة للتحسينات المستقبلية.
تقترح هذه الورقة إطار عمل هجينًا كميًا-كلاسيكيًا يستخدم شبكة ريديليت عصبية كمية (QRNN) لاستخراج ميزات متعددة الدقة من البيانات الزمنية المالية، والتي يتم تحسينها بعد ذلك لاختيار الأصول باستخدام خوارزمية التقريب الكمي للتحسين (QAOA) لحل مسألة محفظة التباين المتوسط.
يُعد AdaFRUGAL إطار عمل تكيفي يعمل على أتمتة الضبط الدقيق لمعلمات تقسيم التدرج من خلال تقليل الذاكرة الديناميكي وجدولة التحديث المدركة للخسارة، مما يتيح تدريب النماذج اللغوية الكبيرة بكفاءة واستقلالية مع تقليل متطلبات ذاكرة وحدة معالجة الرسومات والوقت مع الحفاظ على أداء تنافسي.
تقدم الورقة البحثية ARK، وهو مسترجع لرسوم المعرفة البيانية (knowledge graph retriever) تكيفي وخالٍ من التدريب، يُمكّن النماذج اللغوية من الموازنة ديناميكيًا بين البحث المعجمي العالمي واستكشاف الجوار لاسترجاع الأدلة، محققًا أداءً هو الأفضل في فئته على مجموعات البيانات المرجعية ومُظهرًا نجاحًا في التقطير إلى نماذج أصغر.
تقترح هذه الورقة إطاراً عاماً لتحليل الإزاحة المشتركة القابلة للتحليل إلى عوامل عبر كل من مهام التصنيف والانحدار مع فضاءات تسمية عامة، مما يوسع النتائج الحالية ويقدم خوارزمية تعميم لتقدير التوقعات القصوى (Expectation-Maximization) لتقدير توزيع التسميات.
يقدم هذا المقال URF-GS، وهو إطار عمل موحد يستفيد من تقنية الـ 3D Gaussian Splatting والتحويل العكسي (inverse rendering) لدمج البيانات المرئية واللاسلكية من أجل إنشاء خرائط راديو ثلاثية الأبعاد عالية الدقة، والتي تحسن دقة الطيف المكاني وكفاءة أخذ العينات بشكل كبير مقارنة بالطرق الحالية القائمة على NeRF.
يُعد NeuralFLoC إطار عمل للتعلم العميق، كامل غير موجه، ومن طرف إلى طرف، يقوم بشكل مشترك بإجراء التسجيل الوظيفي والتجميع باستخدام تدفقات تماثلية مدفوعة بالمعادلات التفاضلية العادية العصبية (Neural ODE-driven diffeomorphic flows) والتجميع الطيفي لفصل متغيرات الطور والسعة بفعالية مع تحقيق أداء ومتانة من فئة الحالة الراهنة.