24528 ورقة بحثية
تقدم الورقة البحثية "reward-lens"، وهي مكتبة مفتوحة المصدر تعمل على تطويع أدوات التفسير الآلي لنماذج المكافأة من خلال الاستفادة من متجه أوزان رأس المكافأة كمحور مركزي، كاشفةً أن طرق الإسناد الخطي تفشل في التنبؤ بتأثيرات الرقعة السببية (causal patching) ومن ثم تحفيز إطار عمل يعامل هذا التباين كخاصية جوهرية وليس كخطأ برمي.
تقدم هذه الورقة إطاراً قائماً على البيانات يستخدم التجميع المقيد مكانياً وتحليل درجة حرارة سطح الأرض لتحديد أنماط متميزة للمناطق العشوائية (الفافيلا) في ريو دي جانيرو، مما يكشف أن مورفولوجيا المستوطنات تؤثر بشكل كبير على التعرض للحرارة، حيث تشهد المجتمعات ذات التضاريس المنبسطة تعرضاً أعلى بمقدار 2-3 درجات مئوية مقارم تلك الموجودة على المنحدرات النباتية.
تقدم هذه الورقة إطار عمل "خليط من الخبراء" متعدد الدقة لجهود الذرات في تعلم الآلة، يقوم بتقسيم نطاقات المحاكاة مكانيًا ويوظف استراتيجية تدريب مشترك لمعالجة التباينات الميكانيكية عند الواجهات، مما يحقق دقة عالية الجودة للأنظمة الحفزية المعقدة بسرعة تزيد عن ضعف الطرق القياسية.
تقدم هذه الورقة وتتحقق من خوارزمية تعظيم التوقع التبايني (VEM) كبديل قابل للتوسع لملائمة نماذج التأثيرات المختلطة غير الخطية (NLME) الكبيرة، مما يثبت قدرتها على التعامل بكفاءة مع مجموعات البيانات المعقدة التي تحتوي على أكثر من 15,000 معلمة سكانية باستخدام برنامج Pumas.
تُثبت هذه الورقة أن تضمينات الكلمات المدخلة يمكن تحسينها عبر تقدير التدرج من الدرجة صفر لتوجيه النماذج اللغوية المتوافقة بعيداً عن الرفض الضار أو المخرجات غير الآمنة، مما يؤدي فعلياً إلى تحييد الاستجابات التي تم وضع علامة أمان عليها في الاختبارات القياسية.
يقدم هذا المقال "المندوبات السببية المقيدة بالميزانية" (BCCB)، وهو إطار عمل عبر الإنترنت يوحد بين تعلم فعالية الإعلانات، والاستكشاف، وتنظيم وتيرة الميزانية، ليتفوق على الطرق التقلية غير المتصلة بالإنترنت في سيناريوهات الإعلانات ذات البداية الباردة من خلال العمل بفعالية منذ المستخدم الأول مع إظهار تباين أقل بكثير في الأداء.
تقترح هذه الورقة البحثية طريقة "المركز الأدنى" (Lowest Centroid)، وهي طريقة لتوسيع نطاق وقت الاختبار تختار أفضل استجابة للنموذج عبر حساب "مركز الإنتروبيا" (Entropy Centroid) بناءً على التجميع الزمني للرموز عالية الإنتروبيا، مما يظهر تحسينات مستمرة في الأداء مقارنة بالنماذج المرجعية الحالية عبر مهام ومقاييس نماذج مختلفة دون الحاجة إلى نماذج مكافأة خارجية.
يُعد SWAN شبكة متعددة الوسائط تكيفية ومبتكرة مصممة للقيادة الذاتية، حيث تقوم بتخصيص الموارد ديناميكيًا عبر الوسائط وتدرج استخدام الطبقات بناءً على تعقيد المدخلات والميزانيات المحددة من قبل المستخدم، مما يحقق خفضًا يصل إلى 49% في العمليات الحسابية (FLOPs) مع حد أدنى من التدهور في الأداء.
تقدم الورقة البحثية OMEGA، وهو إطار عمل متكامل يعمل على أتمتة أبحاث الذكاء الاصطناعي من خلال الجمع بين هندسة التلقين الميتافيزيقية المنظمة وتوليد الكود القابل للتنفيذ لإنشاء مصنفات تعلم آلي مبتكرة تتفوق على النماذج المرجعية لـ scikit-learn في 20 مجموعة بيانات معيارية.
تقدم الورقة البحثية eDySec، وهو إطار عمل قائم على التعلم العميق يعزز اكتشاف حزم PyPI الخبيثة من خلال الاستفادة من التحليل السلوكي الديناميكي لتحسين الدقة بشكل كبير، وتقليل الإيجابيات والسلبيات الكاذبة، وتوفير نتائج قابلة للتفسير ومستقرة مقارنة بطرق التعلم الآلي التقليدية.