24055 ورقة بحثية
تقترح هذه الورقة نموذجاً للتعلم التعزيزي متعدد الوكلاء يعتمد على الوعي بالطاقة باستخدام شبكات كيو العميقة (Deep Q-Networks) مع وظائف مكافأة فردية لتعزيز المتانة، وكفاءة الطاقة، ومعدل النجاح لشبكات الطائرات بدون طيار الموجهة نحو المهام، لا سيما عند التوسع في حجم البيئة وأعداد الوكلاء مقارنة بنهج المكافأة المشتركة التقليدي.
تُظهر هذه الورقة أن خوارزميات أخذ العينات الموجهة عصبياً، ولا سيما خوارزمية (Neural Informed RRT*)، تتفوق بشكل كبير على خوارزمية (RRT*) الكلاسيكية في الملاحة الروبوتية من خلال توليد مسارات أقصر وأكثر سلاسة، وإن كان ذلك مع زيادة طفيفة في وقت الحوسبة.
تُظهر هذه الدراسة أن نموذج لغة صغيراً (Qwen3 4B) تم نشره محلياً ويحافظ على الخصوصية، يمكنه استخراج السمات السريرية بدقة وتوليد ملخصات طولية عالية الجودة من سجلات مرضى الفقاع الواسعة، مما قد يتفوق على الخبراء البشريين في الكفاءة والموثوقية مع الحفاظ على أمن البيانات.
تحدد هذه الورقة عدم توافق الأنماط أثناء التدريب كسبب جذري للانحياز اللغوي في النماذج اللغوية البصرية الضخمة، وتقترح طريقتين فعالتين وخاليتين من البيانات للتخفيف من حدته، وهما تنظيم الانحياز اللغوي (LBR) وعقاب الانحياز اللغوي (LBP)، لتقليل الهلوسة بشكل كبير وتحسين التوافق متعدد الوسائط.
تثبت هذه الورقة أن حساسية توزيعات الرمز التالي لقص السياق في النماذج اللغوية ذات التوليد الذاتي تتناقص بمعدل حدودي بدلاً من معدل هندسي، مما يؤدي إلى قانون قياس مشتق بقيمة لمتطلبات الذاكرة لسياسات ضغط ذاكرة المفتاح والقيم (KV cache) المعتمدة على اللاحقة فقط تحت ترميز مصدر وينر-زيف المتسلسل.
تقترح هذه الورقة سير عمل متعدد الوكلاء مدعوماً بنماذج اللغات الكبيرة (LLM) يستخرج تلقائياً العلاقات التحولية من المواصفات الوظيفية ومواصفات الواجهة لإنشاء وتنفيذ حالات الاختبار للتحقق من نماذج المحاكاة القائمة على وحدات المكونات الوظيفية (FMU)، مما يعالج تحدي نقص أوراكل الاختبار الصريح في مجالات المحاكاة الصناعية.
تقدم هذه الورقة تدفقات الاستدلال غير التدرجية (NGIF)، وهي خوارزمية تستفيد من حرية القياس لاستنتاج ديناميكيات السكان غير التدرجية العامة عبر صيغة ضعيفة لمعادلة الاستمرارية، مما يؤدي إلى تحسين الدقة التوزيعية والتقاط النقل غير الكامن في الأنظمة العشوائية بما يتجاوز حدود الطرق التقليدية القائمة على التدرج.
تقدم هذه الورقة البحثية تقنية التراجع العشوائي (stochastic backtracking) عبر مجمع مستمر من البوادئ التاريخية، المعززة باختيار المجمعات الفرعية و"مونت كارلو التسلسلية للتراجع القوي" (Power Backtrack Sequential Monte Carlo)، للتغلب على قيود البحث المقتصر على الحدود وتحسين نسبة الدقة إلى كفاءة الرموز (accuracy-to-token efficiency ratio) بشكل كبير في توسيع نطاق النماذج اللغوية أثناء وقت الاختبار.
تُظهر هذه الورقة أنه في حين تُبدي النماذج اللغوية الكبيرة تحولات سلوكية حساسة للمطالبات وتمتلك تمثيلات داخلية قابلة للفك الخطي لـ "أثر التحقق"، فإن العجز عن توجيه هذه التمثيلات سببيًا لتغيير قرارات اتخاذ المخاطر يكشف أن القراءات الكامنة لا تشير بالضرورة إلى الاعتماد الحقيقي على تلك التمثيلات في عملية اتخاذ القرار اللاحقة.
تقترح هذه الورقة طريقة للتعميم النطاقي تسمى "نقل التمثيل" تستفيد من القابلية الجزئية لتحديد التنبؤات المثلى من خلال إطار عمل "تشابك الاستنباط والاستدلال"، باستخدام لعبة متعلم-خصم للبحث عن آليات سببية ثابتة وتحقيق تنبؤات مستهدفة مثالية في الحد الأدنى والحد الأقصى.