24509 ورقة بحثية
تثبت هذه الورقة أن نموذج DeBERTa بسيط تم ضبطه بدقة مباشرة يتفوق على النهج الأكثر تعقيداً من حيث البنية والمنهج التعليمي في الكشف عن معلومات الهوية الشخصية (PII) واسعة النطاق عبر 82 نوعاً من الكيانات، مما يثبت أن تنوع بيانات التدريب الخاصة بالمهمة أكثر أهمية من تعقيد البنية.
تقترح هذه الورقة "التوليد المعزز بالاعتقاد" (BAG)، وهو إطار عمل يستفيد من حالة الاعتقاد الخاصة بالنموذج اللغوي الكبير المستمدة من عينات متعددة للاستجابات لتقرير ما إذا كان سيجيب، أو يستوضح، أو يمتنع في المحادثات الغامضة بشكل مستقل، مما يحسن الدقة والوفاء بالاستراتيجية مقارنة بالتحفيز القياسي.
تقدم الورقة البحثية "Auto-Robotist"، وهو وكيل نماذج لغوية كبيرة (LLM) ذاتي التطور، يحول تصميم الروبوتات التطوري عديم الذاكرة إلى عملية قابلة للنقل عبر تقطير آثار البحث في مكتبة مهارات صريحة وقابلة للفحص بلغة طبيعية، مما يحسن كفاءة البحث بشكل كبير ويمكّن من نقل المعرفة بنجاح عبر مساحات تصميم مختلفة.
يُعد TTPrint إطار عمل مبتكر يعمل على تحسين استخراج تقنيات MITRE ATT&CK من تقارير استخبارات التهديدات السيبرانية عبر توظيف استراتيجية "التشعب ثم التقارب" لتحديد السلوكيات المرشحة المرتبطة بأدلة محددة أولاً، ثم التحقق منها بصرامة مقابل التعريفات المعتمدة، مما يجعله يتفوق بشكل كبير على الأساليب الحالية في كل من الاستدعاء والدقة.
يُعدّ MuCRASP إطار عمل جديد للتقليم الهيكلي لنماذج الرؤية واللغة، حيث يحافظ على دقة استدلال سلسلة الأفكار متعدد الوسائط عبر تحديد وحماية الرموز المحورية الحرجة للاستدلال ومعالجة الاختلافات في التنشيط عبر الوسائط، متفوقاً بذلك على الأساليب الحالية حتى عند معدلات الضغط العالية.
تقدم هذه الورقة خرائط التطور الهندسي (GEMs)، وهي طريقة تتبع المسار الاتجاهي للمفاهيم في مسارات المتبقي (residual streams) لنماذج المحولات (transformers) لتحديد "طبقات التسليم" (handoff layers) المستقرة حيث تستقر التمثيلات، مما يسمح باستخراج مجسات مفاهيمية أكثر موثوقية من النهج التقليدية القائمة على الطبقات الثابتة أو ذروة الدرجات عبر بنيات متنوعة.
تكشف هذه الورقة عن ظاهرة "الارتباط اللساني السببي" (Causal Tongue-Tie) في النماذج اللغوية الكبيرة، حيث تُشفر الحالات الخفية الأدلة السببية بدقة (حوالي 97%) رغم فشل المخرجات اللفظية للنماذج بنوع "نعم/لا" في التعبير عن هذه المعرفة (حوالي 50%)، مما يشير إلى أن المعايير القياسية القائمة فقط على الإجابات النهائية قد تسيء تمثيل قدرات الاستدلال السببي الحقيقية للنموذج.
تنتقد هذه الورقة معيار ARC-AGI-3 العام لكونه قابلاً للحل عبر استراتيجيات غير ذكية تافهة بسبب ثغرة المقايضة بين السرعة والعمق، وتقترح وكيل AERA، الذي يستخدم إطار عمل "الاستكشاف قبل الحل" التكيفي لتحقيق أداء متفوق من خلال موازنة كفاءة الإجراء مع كسب المعلومات.
تقترح هذه الدراسة نهجاً للتعلم الآلي باستخدام تقدير كثافة النواة متعدد المتغيرات على الإشارات الفسيولوجية (معدل ضربات القلب واستجابة الجلد الجلفانية)، والذي تم تدريبه عبر التعلم بنقل المعرفة من بيانات رهاب العناكب، لتصنيف حالة اضطراب ما بعد الصدمة بموضوعية بدقة بلغت 86% وتقدير شدة الأعراض بمتوسط خطأ مطلق قدره 5.6.
تُثبت هذه الورقة أنه في الشبكات العصبية متعددة الطبقات (MLPs) ذات التنشيط الغاوسي الدنيا، يُعد تنظيم التغطية (coverage regularization) أكثر الخسائر الهيكلية فعالية لتحسين إعادة بناء البيانات القائمة على النماذج الأولية ومنع الانهيار المتدهور للهندسة الكامنة الناتج عن عقوبات الفصل التنافري أو التداخل.