پرش به محتوای اصلی

دسته‌بندی

تحلیل و بررسی تخصصی

تحلیل‌های عمیق مدل‌ها، مقالات و بنچمارک‌ها — پیش‌چاپ‌ها، ارزیابی‌ها، مدل‌های زبانی پیشرو و پژوهش همراستاسازی.

۶٬۸۷۱ مقاله منتشر شده

نشت اطلاعات خوش‌خیم: راهکاری برای کاهش «مالیات تفسیرپذیری» در مدل‌های مفهومی

پژوهش‌های جدید نشان می‌دهد تلاش برای حذف کامل «نشت اطلاعات» در مدل‌های مفهومی، مانع از عملکرد بهینه آن‌ها می‌شود. با پذیرش نشت اطلاعات خوش‌خیم، مدل‌ها می‌توانند دقت خود را حفظ…

۱ دقیقه خواندن۱

ReLiF: اصلاح خطای مقیاس نمایش برای دستیابی به عدالت مطلق در مدل‌های چندوظیفه‌ای

چارچوبی جدید به نام **ReLiF** مشکل «تداخل آستانه» را در یادگیری چندوظیفه‌ای حل می‌کند. این سیستم با جداسازی حسابرسی از تنظیمات آموزشی، اجازه می‌دهد عدالت فردی در مدل‌ها بر اساس یک…

۲ دقیقه خواندن۱

چرا تخمین‌های کربنی هوش مصنوعی در شرکت‌ها تا ۴۰ برابر بیش از واقعیت است؟

یک متدولوژی فنی جدید نشان می‌دهد که استانداردهای فعلی گزارش‌دهی کربنی در شرکت‌ها، میزان انتشار گازهای گلخانه‌ای در مرحله استنتاج هوش مصنوعی را به‌شدت بیش‌تخمین می‌زنند. این چارچوب…

۲ دقیقه خواندن

رمزنگاری پساکوانتومی و داده‌های NASA: راهکاری برای وام‌دهی بدون تاریخچه اعتباری

یک چارچوب پژوهشی جدید با ترکیب رمزنگاری پساکوانتومی و یادگیری فدرال، دسترسی به خدمات بانکی را برای وام‌گیرندگان بدون سابقه اعتباری تسهیل می‌کند. این سیستم با استفاده از رمزنگاری…

۱ دقیقه خواندن

ImageTime: اندازه‌گیری نرخ شکست مدل‌های تولید تصویر در منطق زمانی-مکانی

بنچمارک جدیدی به نام ImageTime توانایی مدل‌های تولید تصویر را در حفظ سازگاری بصری و علّی در توالی‌های زمانی چهار مرحله‌ای می‌سنجد. این ارزیابی با استفاده از GPT-5.5 به‌عنوان داور،…

۲ دقیقه خواندن

رمزگشایی از BFQ: حذف گام‌های تکراری Denoising در RL آفلاین بدون افت عملکرد

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…

۱ دقیقه خواندن

اتوماسیون تولید مش‌های چهارضلعی با معماری عامل‌محور Dmsh

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…

۱ دقیقه خواندن۱

درون لایه‌های توزیع non-IID: عاملی که همگرایی یادگیری فدرال را متوقف می‌کند

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…

۲ دقیقه خواندن

NOVA: جهش ۲۹.۸ درصدی در دقت پیش‌بینی تغییر خط با رگرسیون نمادین

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…

۱ دقیقه خواندن۱

سازوکار همگرایی MC-O-PI بدون نیاز به به‌روزرسانی یکنواخت وضعیت-کنش

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…

۱ دقیقه خواندن۱

چرا حذف سوگیری‌های مدل جایگزین، سد دفاعی مدل‌های VLP را می‌شکند؟

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،…

۲ دقیقه خواندن۱