27276 ورقة بحثية
تقدم هذه الورقة البحثية LILO، وهو إطار عمل للتحسين البايزي يستفيد من النماذج اللغوية الكبيرة لتحويل التغذية الراجعة باللغة الطبيعية الحرة إلى إشارات تفضيل مهيكلة، مما يعزز كفاءة العينات والمرونة في تحسين الأهداف المعقدة والذاتية مقارنة بالطرق التقليدية.
تقدم الورقة البحثية ActivationReasoning، وهو إطار عمل يدمج الاستدلال المنطقي الصريح في مساحات التنشيط الكامنة للنماذج اللغوية الكبيرة عبر رسم خرائط لميزات المشفّر التلقائي المتناثر إلى قضايا منطقية، مما يتيح استدلالاً شفافاً وقابلاً للتحكم ومتيناً متعدد الخطوات عبر مهام وبنى نماذج متنوعة.
تقدم الورقة البحثية MURPHY، وهو امتداد متعدد الخطوات لـ Group Relative Policy Optimization (GRPO)، والذي يستخدم أشجار التدفق (rollout trees) المشروطة بالتغذية الراجعة وتخصيص الائتمان الاسترجاعي لتحسين توليد الكود ذاتي التصحيح بشكل كبير من خلال نشر المكافآت من عمليات التحسين الناجحة إلى المحاولات المعلوماتية السابقة.
تقدم هذه الورقة تحليلاً مقارناً شاملاً لمكتبات Pandas وPolars وDask ضمن مسارات التعلم العميق المتكاملة، حيث تقيم زمن التشغيل، واستهلاك الذاكرة، واستخدام القرص، واستهلاك الطاقة خلال مراحل معالجة البيانات الحرجة كثيفة الاستهلاك لوحدة معالجة الرسومات (GPU).
تقدم هذه الورقة "أخذ عينات الإجماع" (Consensus Sampling)، وهو خوارزمية "الصندوق الأسود" غير مرتبطة بهيكلية محددة، تعمل على تجميع توزيعات متعددة للذكاء الاصطناٍ التوليدي لتحقيق ضمانات سلامة تنافس المجموعة الفرعية الأكثر أماناً من النماذج، مع الامتناع عن إخراج النتائج عند عدم وجود اتفاق كافٍ، مما يقلل من المخاطر غير القابلة للكشف والتأثيرات العدائية.
تقدم هذه الورقة البحثية إطار عمل "تدقيق التباعد في السلوك" (DIBA)، وهو إطار عمل ذو صندوق أبيض يكشف بفعالية عن التعرض غير المصرح به للبيانات في التعلم التعزيزي مع المكافآت القابلة للتحقق (RLVR) من خلال تحليل التحولات في التوزيع السلوكي وتوزيع جانب المكافأة بين نقاط تفتيش النموذج قبل وبعد عملية الـ RLVR، متفوقاً بشكل كبير على خطوط الأساس الحالية للاستدلال بالانتماء.
تقدم هذه الورقة شبكة عصبية تلافيفية هجينة بين الكم والتقليدي تدمج دوائر كمية تباينية تعتمد على ترميز السعة والزاوية لدمج الميزات الكمية والتقليدية، مما يظهر تحسينات ذات دلالة إحصائية في دقة تصنيف أورام الثدي على مجموعة بيانات BreastMNIST مقارنة بمرجع كلاسيكي مطابق في عدد المعلمات.
تكشف هذه الورقة أن طرق توليد البيانات الجدولية القائمة على النماذج اللغوية الكبيرة معرضة لتسريبات الخصوصية من خلال الأنماط الرقمية المحفوظة، وتقدم هجوماً للتحقق من العضوية بنظام الصندوق الأسود يسمى LevAtt لكشف هذه المخاطر، وتقترح استراتيجية جديدة لأخذ العينات عبر اضطراب الأرقام للتخفيف من التسريب بفعالية مع الحفاظ على فائدة البيانات.
يُعد RAG-HAR إطار عمل يعتمد على الاسترجاء المعزز ولا يتطلب تدريباً، حيث يسخر النماذج اللغوية الكبيرة وهندسة الأوامر المُحسّنة لتحقيق أداء رائد في التعرف على الأنشطة البشرية عبر معايير متنوعة، مع تمكين تحديد الأنشطة غير المرئية دون الحاجة إلى ضبط دقيق للنموذج أو مجموعات بيانات ضخمة موسومة.
تقدم هذه الورقة إطاراً احتمالياً موحداً وقابلاً للتفاضل يقوم في آن واحد بإزالة الضجيج من التكوينات الذرية، وتصنيف الأطوار البلورية، وبناء معلمات النظام عبر التدريب على اضطرابات اصطناعية لنماذج أولية معروفة لتحليل المحاكاة الذرية المعقدة بمتانة تحت ظروف متنوعة.