23087 ورقة بحثية
تقترح الورقة البحثية SA-RSQ، وهو إطار عمل متعدد الاستخدامات لأنظمة التوصية متعددة الوسائط يستخدم التكميم الناعم المتبقي القائم على التنشيط المتناثر لتخزين أزواج (الفهرس، الاحتمالية) المدمجة، مما يوازن بفعالية بين كفاءة التخزين وجودة إعادة البناء مع تحقيق تحسينات كبيرة في معدل النقر (CTR) ومعدل ظهور الإعلان لكل ألف ظهور (CPM) في التطبيقات الصناعية.
تقترح هذه الورقة نموذج استجابة وذاكرة فيزيائي لديناميكيات التدريب يفسر فعالية مُحسّن "Muon" ويقدم مُحسّن "Bi-Maxwell"، الذي يستخدم نواة ذاكرة ثنائية المقياس الزمني لتحقيق تقارب أسرع في معايير نماذج اللغات الكبيرة.
تُعد PatchWrite بروتوكول تحرير محكوم بالترجمة، يحافظ على الصلاحية للمخطوطات التي صاغها الذكاء الاصطناعي، حيث يمنع الانحراف غير المرتبط في المقاييس والاستشهادات من خلال فرض فحوصات السجل القاتل وأقفال الأدلة، مما يضمن عدم اعتماد سوى التعديلات الموثقة بسجلات المراجع أو سجلات التجارب مع الحفاظ على سلامة المستند بأكمله.
تقدم هذه الورقة البحثية PsychJail، وهو إطار عمل متعدد الأدوار موجه نفسيًا يستفيد من تقنيات الإقناع النفسي الاجتماعي والتعلم التعزيزي لتحقيق معدلات نجاح هجوم أعلى بكثير ضد النماذج اللغوية الكبيرة المتوافقة مقارنة بالأساليب الحالية، مع تحديد "بصمات نفسية" متميزة على مستوى النموذج تفسر عدم التماثل في انتقال التأثير عبر النماذج المختلفة.
تقترح هذه الورقة إطار عمل يستفيد من وكيل تعلم تعزيزي تم تدريبه على مهمة مستقلة كمعرفة مسبقة لتمكين الكشف غير الخاضع للإشراف عن الوكلاء الآخرين وإعادة بناء سياساتهم استناداً فقط إلى الملاحظات البيئية.
تقترح الورقة البحثية FedCC، وهو خوارزمية للتعلم الاتحادي القائم على التقطير، تعمل على تخفيف حدة انحراف توزيع الملصقات من خلال السماح للعملاء بوسم العينات الغامضة بأنها "غير معروفة" واستخدام ملصقات وهمية مُعايرة، مما يؤدي إلى تفوقها بشكل كبير على الأساليب الحالية في السيناريوهات ذات عدم التجانس الشديد في البيانات.
تقدم هذه الورقة البحثية مدونة "إطار المعنى متعدد اللغات" (mFNC)، وهي مورد متناغم يوسع نطاق "إطار المعنى الإنجليزي" ليشمل تسع لغات إضافية، مما يتيح تحقيق أداء فائق في مهام الإعراب الدلالي للإطارات متعددة اللغات وعبر اللغات.
يُعد AutoSaddler إطار عمل تلقائي يعمل على تحسين أطر عمل وكلاء النماذج اللغوية الكبيرة (LLM) من خلال التشخيص المتكرر لتتبعات الفشل من سجلات التنفيذ وتوليد تصحيحات برمجية مهيكلة، مما يحسن بشكل كبير من متانة الوكلاء وأدائهم في المهام طويلة المدى عبر معايير قياسية متعددة.
تحدد هذه الورقة وتُحدد كمياً "انحياز القصور الذاتي"، وهي ظاهرة تصبح فيها وكلاء الأبحاث القائمة على النماذج اللغوية الكبيرة أقل موضوعية عند تقييم أفعالهم السابقة، وتقترح إطار عمل NIS-Agent مع آليات عزل الضجيج للتخفيف من حدة هذا الانحياز، محققةً أداءً تنافسياً في معايير الأبحاث العميقة مع تقليل تكاليف الرموز (tokens) بشكل كبير.
يقدم AgentWeave طبقة توجيه حتمية تسبق عملية الاستدلال، تعمل على تحسين معدلات نجاح استدعاء الدوال بشكل كبير وتقليل العبء الحسابي للنماذج اللغوية الغنية بالأدوات من خلال تصفية فضاء الإجراءات المرشحة قبل استدلال النموذج، حتى عند استخدام نموذج ثابت صغير النطاق.