تحلیل و بررسی تخصصی

چارچوب جدید Bootstrapped Flow Q-Learning (BFQ) امکان تولید تک‌گامی کنش‌ها را در یادگیری تقویت‌شده آفلاین فراهم می‌کند. این روش نیاز به فرآیندهای هزینه‌بر حذف نویز و شبکه‌های کمکی…

چارچوب Dmsh با استفاده از یادگیری تقویت‌شده، فرآیند تجزیه هندسی و تولید مش‌های چهارضلعی را به‌طور کامل خودکار می‌کند. این سیستم با بهره‌گیری از سه عامل هماهنگ، نیاز به تنظیمات…

یک بررسی جامع در arxiv.org تحلیل می‌کند که چگونه ویژگی‌های داده‌های غیر-IID و پروتکل‌های تقسیم داده، پایداری یادگیری فدرال را تخریب می‌کنند. این پژوهش چارچوبی برای پیش‌بینی سرعت…

چارچوب NOVA با استفاده از رگرسیون نمادین، مدل‌های ریاضی تفسیری از رفتار رانندگی انسان را مستخرج می‌کند. این سیستم با تکیه بر موتور Rust، دقتی به‌مراتب بالاتر از مدل‌های عصبی مبهم…

پژوهشی جدید ثابت می‌کند که الگوریتم تکرار سیاست خوش‌بینانه مونت‌کارلو (MC-O-PI) برای رسیدن به بهینگی نیازی به مقداردهی اولیه یکنواخت وضعیت‌ها ندارد. این پیشرفت اجازه می‌دهد…

پژوهشگران با معرفی روش DeBias-Attack، اثربخشی نمونه‌های تقابلی را در مدل‌های پیش‌آموزش‌دیده بصری-زبانی (VLP) افزایش دادند. این متد با حذف سوگیری‌های خاصِ مدل‌های جایگزین،…

یک بنچمارک جدید نشان می‌دهد روش‌های رایج ویرایش دانش مانند ROME و FT در حفظ سازگاری منطقی پس از به‌روزرسانی حقایق شکست می‌خورند. در حالی که مدل‌ها می‌توانند حقایق ویرایش‌شده را…

پژوهشگران چارچوب **MoE-FedTP** را معرفی کردند؛ سیستمی مبتنی بر یادگیری فدرال که از معماری **ترکیبی از خبرگان** (MoE) برای پیش‌بینی ترافیک در شهرهای دارای کمبود داده استفاده…

پژوهشگران با طراحی یک معماری ترکیبی، اجرای مدل‌های Mixture-of-Experts (MoE) با دقت اصلی را روی سخت‌افزارهای مصرف‌کننده و با عملکردی در سطح مراکز داده ممکن کرده‌اند. این سیستم با…

پژوهشگران معماری جدیدی به نام KG-CFR معرفی کرده‌اند که با جداسازی برنامه‌ریزی داخلی از اجرای خارجی، مشکل «انحراف نقش» در بحث‌های چندعاملی را حل می‌کند. این رویکرد پایداری و کیفیت…

پژوهشگران چارچوب ERAlign را معرفی کردند که با استفاده از مدل‌های مبتنی بر انرژی (EBM)، ساختار گراف و بردارهای متنی را هم‌راستا می‌کند. این سیستم با حل مشکل رانش بازنمایی در…