3279 ورقة بحثية
تقترح هذه الورقة إطاراً منظماً بـ "مُسبق كوني" يدمج المعرفة البيولوجية المنسقة في خوارزميات الاكتشاف السببي القابلة للتفاضل، مما يحسن بشكل كبير من دقة استعادة الرسم البياني في البيانات النسخية عالية الأبعاد وصغيرة العينات عبر الاستفادة من الأولويات المعرفية الحالية لتثبيت التعلم حيث تعاني الطرق الأساسية.
تقدم هذه الورقة تنفيذاً مفتوح المصدر بالكامل وقابلاً للتثبيت عبر pip لخوارزمية BM4D لإزالة الضجيج الحجمي الكامل باستخدام CuPy، مما يلغي الحاجة إلى حزمة أدوات CUDA أو خطوات بناء مع تحقيق تسريع يصل إلى 36.6 ضعفاً مقارنة بالمرجع المعتمد على وحدة المعالجة المركزية والحفاظ على الدقة العددية المطابقة للطريقة الأصلية.
تقدم هذه الدراسة نظاماً آلياً لتصنيف اضطرابات النوم يستخدم خوارزمية XGBoost منظمة لتحليل مورفولوجيا الميزات المتعددة من إشارات تخطيط كهربائية القلب أحادية القطب، محققةً دقة عالية (96.1%)، ونوعية (100%)، وحساسية (92.1%) في التمييز بين نوبات انقطاع التنفس.
تقترح هذه الورقة إطار عمل تعليمي هجين محلي-عالمي موجه إحصائياً يدمج ميزات YCbCr المحسّنة مع بنية 3SH–VSS مبتكرة للكشف بفعالية عن فيديوهات التزييف العميق المضغوطة، وذلك من خلال نمذجة آثار الضغط المحلية وتبعية التزييف العالمية في آن واحد، مما يحقق أداءً فائقاً وقدرة على التعميم عبر مجموعات البيانات.
تقدم هذه الورقة معياراً مرجعياً اصطناعياً قابلاً لإعادة الاستخدام لتقييم نماذج تعلم الآلة التي تتنبأ بفقدان الإنتاجية في صب الخرسانة، مما يكشف عن فشل النماذج الكفؤة الحالية في استيعاب الخسائر الجسيمة ويسلط الضوء على الحاجة إلى بروتوكولات تقييم معيارية ومثبتة ميدانياً.
تُظهر هذه الدراسة أن نموذج التعلم العميق الهجين (CNN–LSTM) يتفوق بشكل كبير على نموذج (CNN) المنفرد في اكتشاف الفصام من إشارات تخطيط كهربائية الدماغ في حالة الراحة، محققاً دقة بنسبة 92.03% ومسلطاً الضوء على قيمة دمج تعلم التسلسل الزمني للتشخيص الموضوعي.
تجمع هذه المراجعة المنهجية التطورات الأخيرة في اكتشاف البرمجيات الخبيثة من نوع "اليوم الصفر" (zero-day) عبر اقتراح إطار عمل للتحليل الثنائي التبايني ثلاثي الأنماط يوحد نماذج "ترانسفورمرز" لعمليات الرمز (opcode Transformers)، وشبكات تماثل مخطط تدفق التحكم (Control Flow Graph Isomorphism Networks)، وتضمينات استدعاءات النظام (System Call embeddings) لتحقيق دقة اكتشاف قوية تتجاوز 98.5% رغم تقنيات تعمية الكود المتطورة.
تقترح هذه الورقة البحثية إطار عمل TPCT، وهو نموذج "ترانسفورمر" (Transformer) جديد مدرك للطوبولوجيا يدمج الميزات الهندسية وميزات الطوبولوجيا للرسم البياني المزدوج مع أخذ عينات تكيفي للمساحة لتحقيق دقة هي الأفضل في مجالها في التعرف على الميزات الهندسية المعقدة ضمن نماذج CAD ذات التمثيل الحدودي (B-rep).
تقترح هذه الدراسة إطار عمل لاختيار الميزات يعتمد على خوارزمية مُحسِّن الذئب الرمادي والمُحسَّن بواسطة المعلومات المتبادلة لتقليل فضاء الميزات بفعالية للكشف عن روبوتات وسائل التواصل الاجتماعي، محققةً دقة تصنيف بلغت 98.87% باستخدام خوارزمية XGBoost على مجموعة بيانات تضم 8,386 حساباً.
تقدم هذه الورقة البحثية "مجموعات تدوير الرموز السياقية" (CTRE)، وهو إطار عمل جديد للتعلم الجدولي يعزز تنوع المجموعات وقوتها من خلال دمج تمثيلات الرموز السياقية القائمة على نماذج المحولات (Transformer) مع تدويرات الميزات التكيفية مع البيانات والمدركة للتفاعلات، متفوقاً بذلك على الطرق الكلاسيكية لا سيما في مجموعات البيانات عالية الأبعاد وغير المتوازنة.