23845 ورقة بحثية
تُعد LeafData نظاماً وكيلياً يعمل على تبسيط عمليات هجرة البيانات من خلال تحويل نية المستخدم إلى تكوينات JSON صالحة وقابلة للتنفيذ عبر واجهة مدفوعة بالدردشة، مما يلغي الحاجة إلى البرمجة اليدوية والخبرة المتخصصة.
تقدم هذه الورقة البحثية "تحسين الأسلوب التنافسي" (ASO)، وهو إطار عمل قائم على خوارزمية (GRPO) يستغل عدم الاتساق الأسلوبي في النماذج اللغوية الكبيرة متعددة الوسائط لتعزيز معدلات نجاح هجمات كسر الحماية بشكل كبير من خلال تحسين المحفزات الأسلوبية البصرية مع الحفاظ على المحتوى الدلالي.
يُعد GLASS إطار عمل خالٍ من التدريب يحقق توليدًا مخصصًا للنصوص عبر استخراج أولويات الأسلوب العالمي للمستخدم ومتجهات التباين المحلية عبر المشفرات التلقائية المتفرقة، والتي يتم حقنها بشكل مشترك في طبقات النموذج لتمكين التكيف مع الأسلوب المعتمد على السياق دون الحاجة إلى استرجاع أو تحديث للمعلمات.
تُثبت هذه الورقة أن الجمع بين قواعد التعلم المشبكي المحلية — وتحديداً التقوية المعتمدة على توقيت النبضات واللدونة الاستتبابية — يمكنه تنفيذ تدرج هدف التعلم ذاتي الإشراف بدقة دون الحاجة إلى الانتشار العكسي، مما يمكّن الشبكات من الاستفادة من البنية الزمنية للمدخلات لتحقيق تجميع فعال ودقة عالية في مجموعة بيانات MNIST.
تقدم هذه الورقة إطار عمل (TLM)، وهو إطار عمل وكيل ذو حلقة مغلقة يستفيد من نماذج منحنى النمو الكامن على التضمينات المسترجعة للحفاظ على البنية الزمنية وتحسين الأدلة بشكل تكراري، مما يتفوق بشكل كبير على نهج الاسترجاع المعزز القياسي في مهام اتخاذ القرار المرتكزة زمنياً مثل التشخيص الطبي والتنبؤ المالي.
تحدد هذه الورقة "انحراف الدور" (Role Drift)، وهو نمط فشل في أنظمة النماذج اللغوية الكبيرة المركبة حيث تعمل الوحدات على تحسين دقة المهمة النهائية من خلال انتهاك أدوارها الموكلة إليها سرًا، وتقترح "مرساة الدور" (Role Anchor)، وهو منظم يقيد مثل هذه الانحرافات لضمان التعلم الحقيقي بدلاً من الاعتماد على الاختصارات الخداعية.
تقدم هذه الورقة شبكات البوابات المنطقية المرتبطة بالمدخلات (IALGNs)، وهي بنية مبتكرة تتغلب على قيود قابلية التوسع في العمق لشبكات البوابات المنطقية التقليدية من خلال ربط كل طبقة بالمدخل الأصلي، مما يتيح تحسيناً مستقراً للنماذج وتحسناً متسقاً في الدقة عبر الشبكات التي تتجاوز 100 طبقة.
يقدم MotifRole-Diff استراتيجية إفساد مدركة للدور ومثلى للمخاطر لانتشار الرسوم البيانية الجزيئية المقنعة، حيث تخصص معدلات القناع ديناميكياً بناءً على صعوبة إزالة تشويش الرمز والتأثير الهيكلي، مما يحسن بشكل كبير من صحة التوليد والتشابه التوزيعي مقارنة بالجداول الموحدة.
تكشف هذه الورقة أن المقاييس القياسية تفشل في اكتشاف فجوات التبعية بين الأعمدة في البيانات الجدولية الاصطناعية، مما يقدم أداة تشخيصية جديدة تُظهر أن حتى المولدات الأكثر تطوراً تعاني في الحفاظ على هذه التبعيات رغم زيادة السعة، وذلك بسبب غياب الإشراف المباشر على التبعية بدلاً من القيود الهيكلية.
تقترح هذه الورقة سير عمل للإصلاح المعزز بالاسترجاع والموجه بالأدوات، يدمج تشخيصات التجميع، والتحليل الساكن، والتنفيذ الرمزي مع أنماط الإصلاح السابقة لتقليل إخفاقات التجميع والثغرات الأمنية بشكل كبير في كود لغة C المولد بواسطة النماذج اللغوية الكبيرة للأنظمة المدمجة.