23087 ورقة بحثية
إن SimVerity هو إطار عمل يقيس موثوقية نقل نجاح الوكيل المحاكي إلى عمليات نشر المنازل الذكية الفيزيائية باستخدام شهود فيزيائيين مستقلين للكشف عن الإخفاقات الخفية، والتنبؤ بالمخاطر، وتمكين إصدار أحكام صريحة قبل النشر.
يُعد NVExplain إطار عمل غير مرتبط بنموذج محدد يعمل على تعزيز قابلية تفسير التنبؤ بالسلاسل الزمنية من خلال نمذجة التنبؤات كمسارات كامنة لتوليد تفسيرات متماسكة زمنياً ومحددة بالأفق عبر التدفق الدلالي والبدائل الحافظة للهيكل، محققاً بذلك دقة وموثوقية واستقراراً تنافسياً مع تحسين الكفاءة الحسابية.
تحدد هذه الورقة الفجوة الأمنية الحرجة في أنظمة الوكلاء ذاتية التطور حيث تفتقر المهارات المُولَّدة إلى فرض سياسات مدمجة، مما يؤدي إلى ناقل هجوم جديد يُسمى "السلطة المستعارة"، وتقترح "Edge Skillguard"، وهي طبقة سلطة نمطية مدمجة داخل قطع المهارات تنجح في حظر الأفعال الفيزيائية الخبيثة من خلال التحقق من حالة العالم والأدلة الحسية بدلاً من الثقة في ادعاءات الوكلاء الأقران.
تقدم الورقة البحثية PhysElite، وهو معيار ثنائي اللغة متعدد الوسائط واسع النطاق يحتوي على 11,586 مسألة فيزياء بمستوى الأولمبياد مع حلول خطوة بخطوة، والذي يكشف أن أكثر النماذج اللغوية الكبيرة متعددة الوسائط تقدماً في الوقت الحالي لا تحقق سوى دقة بنسبة 33.7% في مهام الاستدلال المعقدة هذه.
تقترح هذه الورقة البحثية خوارزمية "تحرير المعرفة في السياق متعدد الأهداف" (MO-IKE)، وهي خوارزمية تعلم تعزيزي متعدد الأهداف تصيغ بناء المطالبات كعملية ماركوف لاتخاذ القرار المقيد لتحسين الموثوقية والعمومية والخصوصية في آن واحد، مما يحقق أداءً فائقاً في تحديث معرفة النماذج اللغوية الكبيرة مقارنة بالطرق السابقة.
تقدم هذه الورقة Flower Hub، وهي منصة معيارية قابلة لإعادة الإنتاج تتيح نشر وتنفيذ تطبيقات تعلم اتحادي معيارية ومُصنفة عبر مجالات وبيئات تشغيل متنوعة (المحاكاة والنشر) للتغلب على قيود التقييمات الحالية غير المحمولة وغير المنتظمة.
تقترح هذه الورقة صياغة تعلم الآلة من خلال إدخال "الوحدة" صراحةً ككيان دلالي أولي، وتعريف التعلم الخاضع للإشراف باعتباره استنتاجاً لقانون استجابة مشترك مشروط بوحدة رمزية (token) ناتجة عن أداة تقسيم النصوص (tokenizer) للتمييز بين النماذج العالمية المتجانسة وغير المتجانسة.
يعالج SelfGraphRAG ندرة البيانات المصنفة للاسترجاع القائم على الرسوم البيانية من خلال توليد أزواج أسئلة وأجوبة اصطناعية مباشرة من هياكل الرسوم البيانية للمعرفة لتدريب مسترجع مشروط بالاستعلام، مما يؤدي إلى تحسين الاستدلال متعدد الخطوات ودقة الاسترجاع دون الحاجة إلى تصنيف يدوي.
تثبت هذه الورقة أن السياق المساعد لا يحسن التنبؤ بالسلاسل الزمنية متعددة الوسائط إلا عندما تظهر المستهدفات ارتباطاً ذاتياً منخفضاً ويوفر السياق معلومات تتجاوز البيانات التاريخية، مما يثبت من خلال تجارب منهجية وتدخلات سببية أن الإخفاق في تحقيق أي من الشرطين يجعل آليات الدمج غير فعالة.
تقدم هذه الورقة البحثية "المشفر التلقائي لتباين الانجراف" (Drift Variation Autoencoder)، وهو إطار عمل يوحد بين التوليد الشرطي وتعلم التمثيل من خلال تدريب مشفر مقنع ومفكك تدفق شرطي لتقليل خسارة مطابقة التدفق للتنبؤ النظيف، مما يحقق تمثيلاً كافياً للمسافة البعدية حيث يلتقط المشفر جميع المعلومات الضرورية لإعادة بناء توزيع البيانات الكامل من الملاحظات الجزئية.