23200 ورقة بحثية
تحل هذه الورقة مشكلة مركزية مفتوحة في تجميع المعلومات عبر الشبكات من خلال إثبات حد أدنى وثيق قدره لمتوسط مربع الخطأ للمتعلمين على رسم بياني موجه غير حلقي بعمق ، مما يطابق الحدود العليا الحالية ويمد النتيجة لتشمل فئة واسعة من دالات الخسارة المحدبة بما في ذلك الخسارة اللوجستية.
تُثبت هذه الورقة أن نماذج الرؤية واللغة والعمل (Vision-Language-Action) المكممة معرضة بشكل حرج لهجمات قلب البت المستهدفة، حيث يمكن لعدد ضئيل من عمليات فساد الأوزان المختارة عبر التدرج في طبقات محددة لتوليد الأفعال أن تعطل الوكلاء المجسدين تماماً، مع تباين ميزانية الهجوم المطلوبة بشكل كبير بناءً على بنية فك تشفير الأفعال.
تقترح هذه الورقة البحثية auto-ibDLM، وهو إطار عمل للتعلم العميق مدفوع بالشبكات يتنبأ بتطور الأحداث العامة من خلال نمذجة تفاعلات المشاركين الديناميكية عبر استراتيجية هجينة لتعلم التمثيل والتحليل الزمني القائم على وحدة الذاكرة المتكررة (GRU)، محققاً دقة تتجاوز 97% ومظهراً أداءً فائقاً عبر 13 مجموعة بيانات من العالم الحقيقي.
تقدم الورقة البحثية إطار عمل MoCA، وهو إطار عمل مبتكر يستخدم كتلة تحكيم عابرة للأنماط (Cross-modal Arbitration Block) لفصل وتنسيق فروع بصرية وبرمجية متميزة ديناميكيًا على مستوى الرمز (token level)، مما يتغلب على التداخل المتأصل في أساليب تحويل المخططات إلى أكواد الحالية ويحقق أداءً فائقًا من خلال التحكيم المنظم بين الأنماط.
تتقصى هذه الورقة ما إذا كان من الممكن اختزال أطر الحجاج المعتمدة على السياق (CDAFs) إلى أطر قائمة على القيم، وذلك عبر تقديم إجراء قرار في وقت حدودي للتمثيل، مع إثبات أن مثل هذه الاختزالات نادرة وتتضاءل بسرعة مع زيادة عدد السياقات من خلال التحليل والتنفيذ.
يُعد ATLAS إطار عمل للتنوع النوعي يعتمد على التضمين وخالٍ من السقالات، يُمكّن النماذج اللغوية الكبيرة من تخليق خوارزميات كاملة للتحسين التوليفي بشكل ذاتي عبر إعادة هيكلة المكونات وتدفق التحكم ديناميكيًا، مع توظيف الإصلاح المشروط بالخطأ والأرشيفات القائمة على التشابه للتنقل في فضاء التصميم الشاسع واكتشاف حلول متنوعة وعالية الأداء.
تقدم هذه الورقة البحثية طريقة "إزالة التعلم عبر البروز الطيفي" (Spectral Saliency Unlearning - SSU)، وهي طريقة لإزالة التعلم الآلي مستوحاة من "Muon"، تقوم بتحديث الاتجاهات الطيفية الضعيفة بشكل انتقائي بناءً على إشارات إزالة تعلم واثقة لإزالة تأثير بيانات تدريب محددة بفعالية مع الحفاظ على فائدة النموذج عبر مختلف البنيات.
تقدم هذه الورقة البحثية مساراً للتحقق الذاتي للإجابة على الأسئلة في نماذج الفيديو اللغوية الكبيرة (Video-LLM)، والذي يعمل بفعالية على كشف وتصفية الاستشهادات الزمنية المهلوسة عبر استبدال طرق التحقق غير المستقرة أو المتملقة بنموذج استدلال لغوي طبيعي مستقر، محققاً معدل ضبط بنسبة 79% للادعاءات المفبركة مع الحفاظ على الادعاءات الحقيقية.
تقدم الورقة البحثية ARENA، وهو إطار عمل آلي لاختبار الاختراق بنظام الحلقة المغلقة، والذي يكشف بفعالية عن الثغرات الأمنية في النماذج اللغوية الصوتية الضخمة من خلال توليد مدخلات نصية-صوتية ضارة تتجاوز الدفاعات النصية فقط، محققاً معدلات نجاح عالية في الهجوم عبر نماذج متعددة من أحدث التقنيات المتاحة.
يُعد Kozuchi Agent نظامًا لإصلاح البرمجيات غير مرتبط بلغة برمجة معينة وذا أوزان مفتوحة، يستفيد من خط إنتاج يعمل بنظام التكامل المستمر (CI) وذات حالة مستمرة لتحقيق أداء رائد في اختبارات SWE-bench Verified وMulti-SWE-bench دون الحاجة إلى ضبط دقيق، مما يثبت أن قيوده المتبقية تنبع أساسًا من أخطاء الصحة الدلالية وأخطاء الاختيار وليس من التنسيق أو الوصول إلى النماذج المملوكة.