3229 ورقة بحثية
تقترح هذه الورقة نموذجاً جديداً يعتمد على مصفوفة الموتيف ذي الكثافة المتكيفة (NDAMM)، والذي يستفيد من دمج الميزات المكانية متعددة المقاييس والتجميع الزمني الهرمي المتوسع لتحقيق كشف آلي دقيق، وقابل للتفسير، وفعال للانقباضات الأذينية والبطينية المبكرة، متفوقاً بذلك على الطرق الحالية عبر قواعد البيانات العامة.
تقترح هذه الورقة وتقيم سياسة قائمة على المسبار وخفيفة الوزن للتصنيف الانتقائي في مهام OpenML الجدولية، والتي تختار ديناميكيًا بين التنبؤات الخام، وتدرج درجة الحرارة، ومعايرة ديريكليه، مما يثبت أن هذا الاختيار الشرطي يحسن كلاً من دقة الاحتمالات وجودة الامتناع مقارنة بالمعايرة الشاملة أو عدم المعايرة.
تُعدّ "آيوربادافيسليكـا" (Āyurpadaviśleṣikā) منصة رقمية مدعومة بالذكاء الاصطناعي تُنظّم أكثر من 4,000 مدخل طبي من النصوص السنسكريتية الكلاسيكية باستخدام الإطار الخماسي للأيورفيدا لمعالجة تشتت المعرفة وتعزيز إمكانية الوصول لمختلف المستخدمين من خلال معالجة اللغات الطبيعية، والرؤية الحاسوبية، والتقييم من قِبل الخبراء.
تقترح هذه الورقة نهجاً للتعلم الآلي قابلاً للتفسير وقائماً على الميزات، باستخدام التاريخ التشريعي الزمني والهيكلي، يتفوق بشكل كبير على النماذج المرجعية الحالية في التنبؤ بنتائج الموافقة على مستوى المقترحات في مجلس النواب البرازيلي، مما يوفر أدوات عملية لتعزيز الرقابة والشفافية التشريعية.
تقترح هذه الورقة إطار عمل عابر لمجموعات البيانات يدمج قيم "شاب" (SHAP) التفسيرية المفلترة بالأدلة مع تغذية راجعة من النماذج اللغوية الكبيرة القائمة على أسس تربوية لتوليد تفسيرات قابلة للتنفيذ ومتوافقة مع السيناريوهات للتنبؤ بمخاطر الطلاب عبر سياقات تعليمية متنوعة، مما يظهر تحسناً في الامتثال والمتانة من خلال التحقق من صحة النتائج على كل من مجموعات البيانات المستعرضة والمستمرة زمنياً.
تقدم الورقة البحثية نموذج EEG-LM، وهو نموذج تأسيسي يربط بين إشارات الدماغ واللغة الطبيعية من خلال محاذاة تمثيلات تخطيط كهربائية الدماغ (EEG) مع تضمينات النماذج اللغوية الكبيرة عبر التعلم التبايني المعزز بالانتشار، محققاً بذلك أداءً هو الأفضل في فئته، وقدرة قوية على التعميم، وتعرفاً قابلاً للتفسير على العواطف عبر مجموعات بيانات متعددة.
تقترح هذه الورقة البحثية نموذج E-GCNet، وهو إطار عمل هجين للتعلم العميق يدمج بين التقييس المتجهي التكيفي لـ (Min-Max)، وطريقة (Improved Weighted Wrapper-Filter) المحسنة لاختيار الميزات، ونظام تصويت ناعب (soft-voting) تجميعي يجمع بين شبكة (Enhanced GoogleNet) وشبكات الكبسولة (Capsule Networks) لتحقيق كشف عالي الدقة والموثوقية للحالة الإدراكية بدقة تصل إلى 97.4%.
تُقيّم هذه المراجعة المنهجية، التي أُجريت وفقًا لإرشادات (PRISMA 2020)، إمكانات خوارزميات التعلم العميق المختلفة للكشف المبكر عن الأمراض المزمنة، مع تسليط الضوء على القيود الحالية مثل ندرة البيانات وقابلية التفسير، واقتراح توجهات مستقبلية لتطوير أنظمة تشخيصية أكثر موثوقية وفائدة من الناحية السريرية.
تقدم هذه الدراسة نظاماً لغوياً ضخماً قابلاً للضبط يستخدم إطار عمل "الوحدة الذرية الدنيا" (MAU)، والذي يحقق استخراجاً للبيانات عالي الدقة وقابلاً للتتبع من المصدر لأغراض التحليلات الميتا، متفوقاً بشكل ملحوظ على النهج غير المجزأ مع الحفاظ على معدل ضئيل جداً من الهلوسة عبر مجالات سريرية متنوعة.
تُظهر هذه الورقة أن دمج طبقات "Tensor-Train" في الشبكات العصبية المستوحاة من الفيزياء يقلل بشكل كبير من أعداد المعلمات بما يصل إلى 8.8 ضعفاً مع الحفاظ على 97% من الدقة الأصلية، حيث تعتمد كفاءة الضغط بشكل كبير على انتظام حل معادلة التفاضل الجزئي الأساسية.