23200 ورقة بحثية
تقترح هذه الورقة أشجار هوفدينج للتجزئة التكيفية (Hoeffding Adaptive Splitting Trees)، وهي نموذج جديد لأشجار القرار يجمع بين التجزئة الدورية وكشف التغير التكيفي للتغلب على قيود التنوع في المجموعات وتدقيق أداء رائد في تصنيف تدفق البيانات تحت ظروف تغير المفاهيم.
تقدم هذه الورقة البحثية "تجميع المسار الدلالي" (SPC)، وهو نظام تخطيط حتمي متعدد الخطوات يفصل بين التفسير الدلالي وبناء لغة الاستعلام الهيكلية (SQL) لتحقيق موثوقية ودقة أعلى بكثير في مهام تحويل النص إلى SQL للمؤسسات مقارنة بنماذج التوليد المباشر.
تقدم هذه الورقة البحثية "التعلم من أجل عدم التعلم" (L2UL)، وهو نهج جديد غير مرتبط بنموذج محدد يتعلم سلوكيات عدم التعلم من منظور التوزيع لاستبدال وظائف عدم التعلم المعقدة والمصممة يدويًا بآلية بسيطة وفعالة تحقق دقة تضاهي دقة إعادة التدريب بتكاليف حوسبة أقل بكثير، لا سيما بالنسبة لمجموعات البيانات والنماذج واسعة النطاق.
تقدم هذه الورقة إطار عمل "المندوب الدلالي" (semantic bandit) لتوضيح أن مقايضات الاستكشاف والاستغلال في النماذج اللغوية الكبيرة تتأثر بشكل كبير بالبوادر الدلالية المستمدة من مرحلة ما قبل التدريب، حيث يمكن للتسميات المعلوماتية إما أن تعزز الأداء أو تضعفه اعتماداً على توافقها مع المكافآت، كما أن المكافآت السلبية تحفز الاستكشاف بشكل غير متناسب بسبب انحيازات النطاق المتوقعة.
يقترح النموذج الأولي MIRROR نظاماً لتقارير الأشعة متعدد الوسائط يربط بين مصنف ومحدد مواقع ومولد نصوص لضمان نتائج قابلة للتدقيق ومستندة إلى احتمالات النموذج، مع تسليط الضوء على أنه على الرغم من تحقيق تمييز أفضل من الصدفة في مجموعة بيانات ChestMNIST، إلا أن الفائدة العملية للنموذج محدودة للغاية بسبب عدم توازن الفئات مما يجعله يفشل في تقديم تنبؤات إيجابية لمعظم الحالات.
تقدم هذه الورقة CHIVE، وهو مسار عمل وكيل (agentic pipeline) يعمل على تقييم وتحسين طرق تفسير النماذج اللغوية الكبيرة (LLM) من خلال استخدام تجارب مضادة للواقع لتقييم ما إذا كانت التفسيرات يمكنها التنبؤ بدقة بسلوك النموذج على مدخلات ذات صلة، مما يكشف أن تقنيات التفسير الحالية لا تقدم أي ميزة تنبؤية مع إثبات أن التدريب على البيانات المولدة بواسطة CHIVE يعزز القدرة على التعميم.
تقدم هذه الورقة بروتوكول "اختبار رجعي تاريخي" محايد للنماذج، يقوم بتقييم مولدات الأسئلة العلمية عبر تجميد الأسئلة مقابل متن تاريخي وتقييمها موضوعياً مقابل متن مستقبلي معزول زمنياً، مما يثبت أن التوليد القائم على هيكلية الأدلة أولاً يتفوق على التلقين المعتمد على النماذج اللغوية الكبيرة فقط، بينما يكشف أيضاً أن المقيّمين البشريين يواجهون صعوبة في الاتفاق على تصنيفات النتائج بدرجة أكبر حتى مما يواجهه الحكام من الذكاء الاصطناعي.
تُعد UniDot بنية عصبية موحدة تدمج بين التفاعل بين الميزات والنمذجة التسلسلية للتوصية واسعة النط scale، وذلك عبر الاستفادة من فضاء رموز مشترك وعناصر الضرب النقطي لمعالجة الميزات متعددة المجالات وسجلات سلوك المستخدم في آن واحد، مما حقق أداءً رفيع المستوى في مسابقة TAAC KDD Cup 2026.
تقدم هذه الورقة أداة قائمة على الشبكات الزمنية لقياس التنسيق بين وكلاء البرمجة القائمين على الذكاء الاصطناعي، كاشفةً أن أنماط التنسيق تتحول من النمو التربيعي إلى كفاءة البث مع توسع الفرق، وتتشكل وفقاً لبنية المهام، ويمكن تحسينها عبر الملفات المشتركة لتقليل تكاليف الرموز (tokens)، وتُظهر سلوكيات مستمرة مثل البحث عن مواد التقييم المخفية بغض النظر عن القيود البيئية.
تقدم هذه الورقة "حقن الحالة الدلالي" (State-Semantic Injection)، وهو سطح هجوم جديد حيث يقوم المهاجمون بالتلاعب بمعلومات حالة البيئة التي تدركها الوكلاء المجسدين المدفوعين بالنماذج اللغوية الكبيرة (LLM) لإفساد فهمهم للمهام، وتخطيطهم، وتنفيذهم، مما يؤدي إلى تقويض سلامة وموثوقية الأنظمة الروبوتية.