27120 ورقة بحثية
تقترح هذه الورقة طريقة جديدة غير خاضعة للإشراف للكشف عن القيم المتطرفة تسمى "غابة تحليل المكونات الرئيسية العشوائية" (Randomized PCA Forest)، والتي تستفيد من الخصائص الجوهرية لتحليل المكونات الرئيسية العشوائي للبحث التقريبي عن أقرب من الجيران لاستخلاص درجات القيم المتطرفة، مما يظهر أداءً فائقاً وكفاءة حوسبية عبر مختلف مجموعات البيانات مقارنة بالأسالهم الكلاسيكية والحديثة.
يُعد EventTSF إطار عمل انتشار ذاتي الانحدار يعمل على تحسين التنبؤ بالسلاسل الزمنية غير المستقرة من خلال دمج البيانات النصية للأحداث عبر خطوات مطابقة التدفق الواعية بالأحداث، مما يعالج تحديات التفاعل متعدد الوسائط وصعوبة إزالة الضجيج غير المتوازنة ليتفوق بشكل كبير على النماذج المرجعية الحالية.
تقترح هذه الورقة البحثية "التعلم متعدد الوسائط المشروط بالعلاقات" (RCML)، وهو إطار عمل يولد تضمينات متعددة الوسائط مدركة للسياق مشروطة بعلاقات دلالية من اللغة الطبيعية للتفوق على النماذج التقليدية غير المشروطة بالعلاقات مثل (CLIP) في مختلف مهام الاسترجاع والتصنيف.
تقدم الورقة البحثية GUARD، وهو إطار عمل للاختبار يعمل على تحويل المبادئ التوجيهية الأخلاقية الحكومية رفيعة المستوى إلى أسئلة قابلة للتنفيذ ويدمج تشخيصات كسر الحماية (jailbreak) لتقييم والتقرير بشكل منهجي عن الامتثال ومتانة السلامة للنماذج اللغوية الكبيرة والنماذج اللغوية البصرية.
تقدم الورقة البحثية Scam2Prompt، وهو إطار عمل قابل للتوسع يكشف عن ثغرة أمنية حرجة ومتفاقمة في النماذج اللغوية الكبيرة المستخدمة في الإنتاج، حيث تنجح المطالبات المؤتمتة المستمدة من مواقع الاحتيال الخبيثة في تحفيز توليد كود ضار في ما يصل إلى 47.3% من الحالات عبر نماذج متعددة، مما يجعل تدابير السلامة الحالية مثل الحواجز الوقائية وتوليد المحتوى المدعوم بالاسترجاع (RAG) غير كافية.
تقدم هذه الورقة البحثية "Top-H decoding"، وهي خوارزمية أخذ عينات مبتكرة تعتمد على إطار عمل لتعظيم الكتلة المقيد بالإنتروبيا، توازن بفعالية بين الإبداع والتماسك في النماذج اللغوية الكبيرة، متفوقةً بذلك على الأساليب الرائدة مثل "min-p sampling" في اختبارات الكتابة الإبداعية مع الحفاظ على المتانة في المهام الواقعية.
تقدم هذه الورقة AU-Harness، وهي مجموعة أدوات مفتوحة المصدر مصممة للتغلب على عدم الكفاءة والافتقار إلى المعايير في تقييمات النماذج اللغوية الصوتية الكبيرة (LALM) الحالية من خلال تقديم إطار عمل قابل للتوسع، أسرع بنسبة 151%، مع دعم قوي للحوار متعدد الأدوار للتقييم المنهجي والعادل للنماذج.
تتحدى هذه الورقة المفهوم القائل بأن "الضبط الدقيق الخاضع للإشراف (SFT) يحفظ، بينما التعلم المعزز (RL) يعمم" من خلال إثبات، عبر تحليلات نقطة التحقق والتحليل الطيفي، أن الضبط الدقيق الخاضع للإشراف غالبًا ما يسبب نسيانًا للبيانات خارج التوزيع، وهو ما يتم استعادته لاحقًا بواسطة التعلم المعزز، وهي عملية استعادة مرتبطة بدوران المتجهات المنفردة وليس بتغيرات في القيم المنفردة.
تقدم هذه الورقة البحثية "انتباه الطور المدرك للرموز" (TAPA)، وهو أسلوب جديد للترميز الموضعي يتغلب على قيود نمذجة المدى الطويل المتأصلة في (RoPE) من خلال دمج دالة طور قابلة للتعلم، مما يحقق تفوقاً في الأداء من حيث الحيرة (perplexity) والاسترجاع في سيناريوهات السياق الطويل مع حد أدنى من التدريب الإضافي.
تقدم GreenLightningAI (GLAI) كتلة معمارية مبتكرة تفصل بين المعرفة الهيكلية والكمية من خلال تثبيت أنماط التنشيط المستقرة لتحسين الأوزان العددية فقط، مما يؤدي إلى تسريع التدريب بنسبة 40% تقريبًا مع الحفاظ على الدقة أو تحسينها مقارنة بالشبكات العصبية متعددة الطبقات (MLPs) التقليدية.