تعلم نماذج اللغة العصبية غير المعلمة (NLMS) التوزيعات التنبؤية للنص باستخدام مصدر بيانات خارجي، والذي يسمح لهم بالتعلم من خلال حفظ مخطط Datapooints التدريبي بشكل صريح.في حين أن هذه النماذج فعالة، فإن هذه النماذج غالبا ما تتطلب استرجاع من مؤشرات بيانا
ت كبيرة في وقت الاختبار، مما يزيد بشكل كبير من تسليم الاستدلال، وبالتالي يحد من نشر NLMS غير المعلم في التطبيقات العملية.في هذه الورقة، نأخذ نموذج لغة Geature K-Neave المقترح مؤخرا كمثال، استكشاف الطرق لتحسين كفاءتها على طول الأبعاد المختلفة.تبين التجارب في معيار Wikitext-103 القياسي ومجموعات بيانات التكيف عن المجال أن أساليبنا قادرة على تحقيق ما يصل إلى سرعة 6X في سرعة الاستدلال مع الاحتفاظ بأداء مماثل.قد يوفر التحليل التجريبي الذي نقدمه مبادئ توجيهية للبحث في المستقبل يسعى إلى تطوير أو نشر أكثر كفاءة غير رسمية غير رسمية.
تفرض طرائق الانحدار الخطية قيوداً شديدة على نماذج الانحدار و خاصة على حدود الخطأ حيث تفترض أنها مستقلة و تتبع التوزيع الطبيعي و هذا قد لا يتحقق في كثير من الدراسات مما يؤدي الى انحياز لا يمكن إهماله عن النموذج الفعلي مما يؤثر على مصداقية الدراسة.
يق
دم هذا البحث مسألة تقدير دالة الانحدار باستخدام مقدّري النواة ناداريا واتسون و الجوارات الـ k الأكثر قرباً اللاوسيطيين كبدائل لمقدّرات الانحدار الخطية الوسيطية من خلال دراسة محاكاة على نموذج مفروض حيث قمنا بإجراء دراسة مقارنة بين هذه الطرائق باستخدام الحزمة الإحصائية R بغية معرفة أفضل هذه المقدّرات حيث تم استخدام معيار MSEمتوسط مربعات الخطأ ( Mean Squares Errors) لمعرفة المقدّر الأفضل. كما تشير نتائج دراسة المحاكاة إلى فعالية و كفاءة المقدّرات اللاوسيطية في تمثيل دالة الانحدار بالمقارنة مع مقدّرات الانحدار الخطية كما تشير إلى تقارب أداء هذين المقدّرين.
يركز البحث على دراسة مقارنة بين مجموعة من طرائق استقراء رياضية تطبق على حزمة كبيرة و كثيفة من النقاط لمنطقة ممسوحة بتقنية الليزر الجوي ذات الدقة العالية، بحيث تعبر عن تمثيل سطح الأرض الطبيعية الرقمي فقط. اعتمد لتطبيق ذلك مجموعة متنوعة من المناطق التي
مسحت ليزرياً و التي تعبر عن حالات متنوعة من حيث تعقيد التضاريس، مع الأخذ بالحسبان إهمال الأجسام الصنعية و أخذ كثافات متنوعة من الغمامات الليزرية لجعل الدراسة أكثر شمولاً.
طبقت بعد ذلك مجموعة من خوارزميات الاستقراء الرياضي للسطوح على المناطق السابقة بهدف تحديد طريقة الاستقراء الأمثل، و من ثم قورنت نتائج الاستقراء التي أعطتها الطرائق جميعها، و قد أظهرت النتائج تأثير كثافة البيانات المستخدمة في اختيار نوع طريقة الاستقراء الرياضية المثلى و أن تابع الاستقراء باستخدام خوارزمية المجاور الأقرب ( Nearest Neighbor ) لنقاط الليزر الجوي الكثيف يعطي نتائج جيدة جداً مقارنة ببقية الطرائق.
