24055 ورقة بحثية
تُثبت هذه الورقة أن مساراً هجيناً عصبياً-رمزياً، يفصل بين استخراج الكيانات المتعلم من الحسابات الحتمية للتواريخ، يتفوق بشكل كبير على النماذج التوليدية المباشرة في استخراج تعليمات المتابعة السريرية من ملاحظات العيادات الخارجية بدقة، محققاً درجات F1 تقترب من المثالية ومتوسط خطأ مطلق صفري في الاختبارات المعيارية الاصطناعية.
يقدم هذا البرنامج التعليمي إطار عمل موحداً يربط بين نظرية التحكم وبين أداة التحقق من الشبكات العصبية المتطورة -CROWN لتمكين التحقق الرسمي القابل للتوسع لخصائص السلامة والاستقرار في المتحكمات القائمة على التعلم للأنظمة الحرجة للسلامة.
تكشف هذه الورقة أن العشوائية المنضبطة في نماذج الانتشار المنفصلة تعمل كآلية لتصحيح الأخطاء من خلال الانتقالات الفائضة، مما أدى إلى اقتراح خوارزمية "أخذ عينات التدوير وإعادة التشغيل المنفصل" (DCRS)، وهي خوارزمية جديدة تحسن بشكل كبير المقايضة بين السرعة والجودة عبر تقليل خطوات أخذ العينات مع الحفاظ على جودة عالية للعينات.
تُظهر هذه الدراسة أنه في حين أن اختيار النموذج له تأثير محدود على التنبؤ بفقر الدم لدى الأطفال في البيئات الغنية بالبيانات عبر البلدان، فإن النموذج التأسيسي القائم على المحولات TabPFN يتفوق بشكل كبير على الطرق الكلاسيكية في سيناريوهات الموارد المنخفضة والتعلم من عينات قليلة من خلال تقديم قدرة فائقة على التمييز والمعايرة، مما يكشف في النهاية أن الاختلافات على مستوى السكان هي التي تقود أداء التنبؤ أكثر من الاختلافات الخوارزمية.
تحلل هذه الورقة التحديات التي تفرضها الأعمال المولدة بواسطة الذكاء الاصطنا-عي على حقوق الملكية الفكرية من خلال مقارنة الأطر القانونية الإيرانية بالأنظمة الدولية، وتحديد الفجوات التنظيمية الكبيرة في إيران، واقتراح إصلاحات قانونية تهدف إلى تحقيق التوازن بين الابتكار والإبداع البشري.
تقدم هذه الورقة البحثية "Cordyceps"، وهو هجوم تسميم بيانات خفي يدمج مخططاً لإخفاء المعلومات الدلالية داخل النماذج اللغوية الكبيرة أثناء عملية الضبط الدقيق، مما يتيح التحكم الخفي عبر تعليمات تعسفية مع التملص بفعالية من الدفاعات الحالية ضد الأبواب الخلفية وحقن الأوامر.
تقترح ورقة AGORA طريقة لضغط المطالبات تعتمد على المهايئ (adapter-grounded) وخالية من الاستدلال (inference-free) لوكلاء النماذج اللغوية الكبيرة، تتغلب على القيود الهيكلية للمضغوطات الاستخراجية الحالية على مستوى الرموز (token-level) عبر عزل الأرضية الهيكلية كعنق زجاجة رئيسي للجودة وتحقيق ضغط تكيفي يتراوح بين 1.0 و11.5 ضعفاً من خلال مُقيّم مُتعلم مع الحفاظ على أداء قريب من الأداء غير المضغوط.
تقترح هذه الورقة إطار عمل DyCo-CL، وهو إطار تعلم تبايني مدرك للهندسة يدمج بين التعزيز الخصمي الافتراضي، وهيكل Swin متكيف مع الإشارة، ودمج المعرفة الهجين للتغلب على عدم الاستقرار الطيفي والانزياح الدلالي، محققاً تحسناً بنسبة 6.27% في دقة التعرف التلقائي على التعديل في ظل ظروف التعلم ببيانات قليلة.
تقدم هذه الورقة Pilot-Commit، وهو إطار عمل لتخصيص التدفق (rollout) مدرك للميزانية يقوم بتحديد وتحديد أولويات المطالبات عالية التباين ديناميكيًا أثناء مرحلة ما بعد التدريب القائمة على التعلم المعزز المجموعي (group-based RL)، مما يقلل تكاليف أخذ العينات بشكل كبير ويسرع التقارب مقارنة بالطرق الحالية مثل GRPO وDAPO.
يُعد UnityMAS-O إطار عمل عام للتعلم المعزز يعمل على تحسين الأنظمة متعددة الوكلاء القائمة على النماذج اللغوية الكبيرة من خلال معاملة سير العمل بأكمله كوحدة تدريب، وفصل الأدوار المنطقية عن معلمات النموذج عبر تجريد مرن رباعي الكائنات، وإظهار مكاسب أداء كبيرة عبر مهام متنوعة مثل الإجابة على الأسئلة وتوليد الأكواد البرمجية.