23087 ورقة بحثية
تقدم هذه الورقة إطار عمل للتعلم المستمر الخالي من المكافآت يُمكّن الروبوتات الفضائية من التكيف مع التدهور الشديد في الأجهزة عبر الاستفادة من نموذج عالم للحالة الكامنة مُدرب مسبقاً لتحديث ديناميكيات الانتقال عبر عمليات تدحرج غير خاضعة للإشراف وتدريب السياسات على مسارات متخيلة، مما يلغي الحاجة إلى إشارات مكافأة غير قابلة للتنفيذ أثناء النشر.
تقدم هذه الورقة إطار عمل مدعوماً بالتعلم الآلي للتصميم العكسي لهوائيات الرقعة ذات البكسلات في نطاق الموجات المليمترية (mmWave) بين 22 و30 جيجاهرتز، وذلك باستخدام مصنف XGBoost لتصفية الأنماط غير الرنينية، ونموذج بديل هجين يجمع بين الشبكات العصبية الالتفافية (CNN) والذاكرة الطويلة قصيرة المدى ثنائية الاتجاه (BiLSTM) للتنبؤ الدقيق بمعامل الانعكاس (S11)، ومنهجية تحسين الفضاء الكامن لتوليد هياكل هوائيات تلقائياً تتوافق مع المواصفات المطلوبة.
إن MetaCaster هو إطار عمل متعدد الوكلاء مُحسَّن لتقنية الـ meta-harness، يُمكِّن من التعلم من عينات قليلة (few-shot learning) من البداية إلى النهاية للتنبؤات بالسلاسل الزمنية خفيفة الوزن، وذلك عبر توظيف وكلاء لتوليد بيانات تدريب وسياقات نصية، مما يحقق أداءً عالياً بأقل قدر من البيانات والموارد الحسابية في السيناريوهات محدودة الموارد.
تقدم الورقة البحثية TimeCatch، وهو معيار مرجعي يكشف أنه بينما تتفوق نماذج الرؤية واللغة في اكتشاف الشذوذ على مستوى الإطار، فإنها تعاني بشكل كبير من تحديد التناقضات الزمنية الناتجة عن تبديل الإطارات، مما يشير إلى وجود فجوة جوهرية في قدرتها على الاستنتاج بشأن البنية الزمنية مقارنة بالبشر.
تقدم الورقة البحثية تحسين السياسة ذاتية التأمل (SRPO)، وهو إطار عمل كفء في استخدام البيانات يُمكّن النماذج اللغوية الكبيرة من استيعاب التأمل الذاتي عبر تركيب "رقع" للأخطاء من المسارات المكتملة لتوليد إشارات تدريب كثيفة على مستوى الرموز، مما يحقق أداءً هو الأفضل في فئته في مجالات الاستدلال الرياضي والمهام الوكيلية طويلة المدى دون الحاجة إلى نقاد خارجيين أو نماذج مكافأة.
تتناول هذه الورقة ظاهرة عدم المواءمة الناجم عن الاستدلال (RIM)، حيث يؤدي الضبط الدقيق للنماذج اللغوية الكبيرة على بيانات استدلال آمنة إلى تدهور سلامتها دون قصد، وذلك من خلال تحليل فضاءات التمثيل المقترنة للاستدلال والسلامة لاقتراح والتحقق من صحة عقوبة اتجاه السلامة (SDP)، وهي طريقة أثناء التدريب تعاقب الإزاحة على طول اتجاهات السلامة المتعلمة لاستعادة سلامة النموذج دون المساس بأداء الاستدلال.
تقدم هذه الورقة "إيرث فيرس" (EarthVerse)، وهو معيار مرجعي شامل يضم 405 مهام قابلة للتكرار عبر 19 عائلة من المخاطر الطبيعية، لتقييم الموثوقية العلمية الشاملة من البداية إلى النهاية لوكلاء الذكاء الاصطناعي في الأنظمة الأرضية الديناميكية، مما يكشف عن فجوة كبيرة بين دقة الخطوات الفردية والقدرة على التفكير المتسق والشامل في النماذج الحالية.
تُظهر هذه الورقة أنه بينما يمكن لنماذج العالم مثل DreamerV3 أن تتعلم تشفير الثوابت الفيزيائية مثل الطاقة من بيانات الفيديو، فإن هذه الثوابت تنحرف أثناء عمليات التدحرج الذاتية، وأن تصحيح الحالة الكامنة لتلبية القيد المتعلم يحسن دقة التنبؤ بشكل كبير.
تقترح هذه الورقة إطار عمل هجينًا يجمع بين نموذج خلفي للتعلم ذاتي الإشراف، والتكيف منخفض الرتبة (LoRA)، ورأس تصنيف قائم على النماذج الأولية لمعالجة النسيان الكارثي وتحقيق أداء رائد في التعلم المتزايد للفئات قليلة العينات للتعرف على الحزم الخبيثة.
تجادل هذه الورقة بأن التواصل القائم على الحل الكامل في فرق النماذج اللغوية الكبيرة متعددة الوكلاء غالباً ما يتسبب في "ضريبة تفاعل" عبر التسبب في تقارب سريع وتآكل التنوع الضروري للتحسين، مما يشير إلى أن توليد المقترحات المستقلة أو تبادل المعلومات الأكثر انتقائية يكون غالباً أكثر فعالية من التفاعل غير المقيد.