MaRK: التعديل السياقي للمعلمات التكرارية في نماذج SSM المدرّبة مسبقًا
يُقترح نهج يكيّف المؤثر التكراري لنموذج فضاء الحالة المجمّد وفقًا للسياق، عبر تغييرات منخفضة الرتبة في المعلمات تؤثر في نواة «المدخلات—المخرجات» عند كل خطوة من خطوات التوليد. وتُظهر المقارنة بين ثلاثة أشكال هندسية للمحوّلات تفوّق كثيرات حدود تشيبيشيف من حيث خطأ التحقق، بينما تتيح البارامترية المقيّدة التحقق التحليلي من الاستقرار.

المهمة والجوهر في MaRK
MaRK (Markov-adapted Recurrent Kernels) هو إطار عمل للتكييف الديناميكي للمؤثرات. يحوّل متجهات السياق إلى تعديلات محدودة للمؤثرات التكرارية.
- في تمثيل LPV-SSM، يحدد MaRK عائلة من تسلسلات معلمات ماركوف المفهرسة بالسياق.
- صُمم هذا النهج لأنظمة SSM المدربة مسبقًا.
- تُبقي آليات التكييف المعتادة الديناميكيات الزمنية الأساسية دون تغيير. وتشمل هذه الآليات إدخال المعلومات عند المدخل وتعديل التنشيطات.
المعيار العملي: يُحتاج إلى MaRK عندما يكون المطلوب تغيير الديناميكيات الزمنية لنظام SSM، لا الاكتفاء بتغيير بيانات الإدخال أو التنشيطات.
معلمات SSM التي يجري تعديلها
يعدّل MaRK خمس مجموعات من معلمات نظام SSM المجمّد:
- A — التكرارية؛
- B — القراءة عند الإدخال؛
- C — القراءة عند الإخراج؛
- D — التخطي؛
- Δ — التقطيع الزمني.
المعيار العملي: يغيّر MaRK المعلمات A وB وC وD وΔ. إذا كانت المهمة تتطلب تغيير هذه المعلمات، فإن النهج يشملها.
المحوّلات والتدريب على قاعدة مجمّدة
يعتمد MaRK على نموذج أساسي مجمّد Hydra SSM يضم 111 مليون معلمة. وتتناول الدراسة ثلاثة أشكال هندسية للمحوّلات:
- Hypernet؛
- متعددات حدود Chebyshev؛
- نوى تحويل جيب التمام المتقطع (DCT).
تغيّر المحوّلات تسلسل معلمات ماركوف عبر تحويلات مساعدة منخفضة الرتبة. ويظل النموذج الأساسي مجمّدًا.
يتطلب الانتقال من دالة هدف ثنائية الاتجاه إلى وضع الانتشار التكراري من 6.3 إلى 11 مليون معلمة مساعدة قابلة للتدريب. المعيار العملي: يقتصر التدريب على التحويلات المساعدة، مع إبقاء نظام SSM الأساسي مجمّدًا.
النتائج التجريبية واختيار الشكل الهندسي
في التجارب الاصطناعية لاستعادة LPV وتشخيص مؤثرات ماركوف، يستعيد MaRK مؤثرات زمنية ثابتة بالنسبة إلى الإحداثيات عند تطابق الافتراضات. وتنتج الطريقة ملفات ذاكرة مستقرة ومتنوعة، مشروطة بالخطوة الزمنية.
| الشكل الهندسي للمحوّل | خسارة التحقق |
|---|---|
| Chebyshev | 2.55 |
| DCT | 2.59 |
| Hypernet | 3.77 |
أفضل خسارة تحقق بين الخيارات الثلاثة هي 2.55 لـ Chebyshev. وحقق DCT نتيجة 2.59، بينما حقق Hypernet نتيجة 3.77. المعيار العملي: إذا كان الاختيار يستند إلى خسارة التحقق في التجارب الموصوفة، فقد حقق Chebyshev نتيجة 2.55، وDCT نتيجة 2.59، وHypernet نتيجة 3.77. يؤثر اختيار الشكل الهندسي للمحوّل في النتيجة.
الاستقرار وحدود قابلية التطبيق
توفر البارامترية المحدودة للتكرارية شهادة تحليلية للاستقرار التربيعي الأفيني للتكرارية المعدّلة. صُمم MaRK للتوليد التكراري باستخدام أنظمة SSM مدرّبة مسبقًا. ويمكن لكل خطوة من خطوات الانتشار أن تغيّر نواة الذاكرة لنموذج «الإدخال—الإخراج».
المعيار العملي: يكون MaRK مناسبًا عند الحاجة إلى شهادة تحليلية للاستقرار وتغيير نواة الذاكرة في كل خطوة من خطوات الانتشار.
حالة النشر والإصدار
- مؤلفو العمل: Syed Ibrahim Omer, Ginny Y. Wong, Xiangyu Zhao.
- تحتوي مقالة arXiv:2610.09092 على الإصدار v1 بتاريخ 6 أكتوبر 2026.
- آخر مراجعة كانت في 18 أكتوبر 2026 (الإصدار v3).
- يشير رابط المجلة إلى NeurIPS 2026 Submission.
المعيار العملي: يتضمن الرابط الصحيح للنتائج الإصدار v3 بتاريخ 18 أكتوبر 2026 وحالة NeurIPS 2026 Submission.
الأسئلة المتكررة
المواد ذات الصلة
جميع المواد
FedPix: إرسال الصور المضغوطة من العميل للحد من التسرب في التعلم الاتحادي
تتناول المقالة المعلومات التي ينبغي السماح للعميل بإرسالها إلى الخادم، وتقترح تدريب النظام على إرسال صور مدمجة قابلة للتحقق بصريًا بدلًا من أوزان النموذج أو التمثيلات الوسيطة. في مجموعات بيانات BloodMNIST وCIFAR-10 وFashionMNIST وMNIST، يحقق النهج قيمة PSNR منخفضة عند إعادة البناء، ويقلل زمن المعالجة على جانب العميل بنسبة تصل إلى 96,0%، مع دقة تتراوح بين 65,63 و99,18%.
15 نوفمبر 2026
B-PINN وانحياز المصادم: الأسباب والتشخيص والبديل القائم على السلاسل
يُظهر المؤلفون أن مخطط B-PINN الشائع، الذي تُربط فيه المعلمات القبلية المستقلة عبر دوال ترجيح افتراضية لبواقي المعادلات التفاضلية، قد يؤدي إلى تحيّز منهجي في التقديرات البعدية للكميات الفيزيائية. وبدلًا من ذلك، يقترحون نموذجًا تسلسليًا هرميًا مع تقطيع عشوائي للديناميكيات وأخذ عينات باستخدام particle MCMC، كما يقدمون معايير لتشخيص موثوقية النهج التقليدي.
14 نوفمبر 2026
الضبط الدقيق لنماذج توليد الصور: مراعاة التفضيلات والفئات معًا
تصف المقالة أسلوبًا للمواءمة اللاحقة للتدريب لنماذج تحويل النص إلى صورة في النطاق المفتوح، حيث تُستكمل إشارة التفضيلات البشرية بفحوص قائمة على معايير للتحقق من مدى مطابقة النتائج للمطالبات والخصائص المطلوبة. وتُظهر النتائج أن المتوسط المرجّح للمكافآت يحقق أداءً أدنى من المنهج المقترح، وأن Flux2dev وIdeogram-4 بعد الضبط الدقيق يحققان ارتفاعًا ملحوظًا في تصنيف Elo وفق لقطة Arena.
14 نوفمبر 2026