cs.AI ورقة بحثية

INSIGHTS: Demonstration-Based Summaries of Time Series Predictors

تقدم هذه الورقة INSIGHTS، وهو إطار عمل غير مرتبط بنموذج محدد ومرتكز على المستخدم، يقوم بتوليد ملخصات عالمية متنوعة قائمة على العروض التوضيحية لنماذج السلاسل الزمنية لتزويد خبراء المجال بفهم مستقر وشامل لسلوك النموذج، مما يعالج الفجوة الحالية في قابلية التفسير العالمية لبيانات السلاسل الزمنية.

Bar Eini Porat, Rom Gutman, Uri Shalit, Ofra Amir2026-05-20

📊 statistics

When Individually Calibrated Models Become Collectively Miscalibrated

تُثبت هذه الورقة أن المتنبئات الاحتمالية المعايرة فردياً يمكن أن تصبح غير معايرة جماعياً في بيئات متعددة الوكلاء بسبب التفاعلات الاستراتيجية والمعتقدات المترابطة، مما يؤدي إلى تدهور كبير في الأداء يتم حله بفعالية من خلال اعتماد تجميع قائم على آلية "فيكري-كلاين-جروبلند" (VCG) لمواءمة الحوافز وضمان المتانة.

Zhaohui Wang2026-05-20

🤖 machine learning

SAGE: Shaping Anchors for Guided Exploration in RLVR of LLMs

تقترح الورقة البحثية إطار عمل SAGE، الذي يتغلب على قيود الاستكشاف في التعلم التعزيزي من التغذية الراجعة اللغوية (RLVR) القياسي في النماذج اللغوية الكبيرة (LLMs) عبر إعادة تشكيل توزيع مرساة "التباعد العكسي لـ KL" (reverse-KL) بواسطة دالة توجيه، مما يحقق تحسينات متزامنة في كل من pass@1 وpass@k في مهام الاستدلال الرياضي.

Chanuk Lee, Minki Kang, Sung Ju Hwang2026-05-20

🤖 machine learning

From Sparsity to Simplicity: Enabling Simpler Sequential Replacements via Sparse Attention Distillation

تُثبت هذه الورقة أن الاستفادة من التناثر المتأصل في آليات الانتباه في نماذج المحولات مسبقة التدريب تُمكِّن من الاستبدال الفعال لطبقات الانتباه الذاتي المعقدة بوحدات تسلسلية أبسط عبر التقطير الموجه بالتناثر، مما يقلل تكاليف الاستدلال وحجم النموذج بشكل كبير مع تقليل فقدان الدقة إلى أدنى حد.

Yuxin Ren, Maxwell D Collins, Miao Hu, Huanrui Yang2026-05-20

🤖 machine learning

FLUIDSPLAT: Reconstructing Physical Fields from Sparse Sensors via Gaussian Primitives

يقدم FLUIDSPLAT نموذجاً مشروطاً بالمستشعرات يعيد بناء حقول التدفق المستمرة من مستشعرات سطحية متفرقة باستخدام بدائيات غاوسية متباينة الخواص وقابلة للتفسير، مما يؤسس نظرياً لعدد أمثل من البدائيات للموازنة بين الانحياز والتباين مع تحقيق دقة تضاهي أحدث المعايير في اختبارات الأداء الديناميكي الهوائي.

Huaxi Huang, Meng Li, Zhengqing Gao, Xi Zhou, Xiaoshui Huang, Xiao Sun2026-05-20

🤖 machine learning

EVA-0: Test-Time Model Evolution with Only Two Forward Passes per Sample

يُعد EVA-0 إطار عمل تكيفي من الدرجة الصفرية يتميز بالبساطة، يتيح تطوراً فعالاً للنماذج في وقت الاختبار باستخدام تمريرتين أماميتين فقط لكل عينة، متجاوزاً بذلك عقبات تحسين رئيسية دون الحاجة إلى الانتشار العكسي لتحقيق أداء فائق وتسريع كبير مقارنة بالطرق الحالية.

Guohao Chen, Shuaicheng Niu, Geng Li, Yunbei Zhang, Shilin Shan, Chunyan Miao, Jianfei Yang2026-05-20

💻 computer science

DarkLLM: Learning Language-Driven Adversarial Attacks with Large Language Models

تقدم الورقة البحثية DarkLLM، وهو إطار عمل مبتكر يستفيد من نموذج لغوي كبير بمليار معلمة لترجمة التعليمات باللغة الطبيعية إلى اضطرابات تنافسية متعددة الاستخدامات وعالية الفعالية، مما يوحد ويوسع نطاق الهجمات عبر مختلف النماذج التأسيسية للرؤية والنماذج متعددة الوسائط.

Ye Sun, Xin Wang, Jiaming Zhang, Yifeng Gao, Yixu Wang, Yifan Ding, Qixian Zhang, Henghui Ding, Xingjun Ma, Yu-Gang Jian (…)2026-05-20

🤖 machine learning

MO-CAPO: Multi-Objective Cost-Aware Prompt Optimization

يُعد MO-CAPO خوارزمية مبتكرة لتحسين الأوامر البرمجية متعددة الأهداف، حيث تعمل على تحسين أداء النماذج اللغوية الكبيرة وتكلفة الاستدلال بشكل مشترك من خلال تخصيص الميزانية بكفاءة، متفوقة بذلك على الأساليب الحالية عبر اكتشاف مقايضات متنوعة وقوية بين الأداء والتكلفة مع الحفاظ على كفاءة التكلفة.

Jan Büssing, Moritz Schlager, Timo Heiß, Tom Zehle, Matthias Feurer2026-05-20

💬 NLP

ZeroUnlearn: Few-Shot Knowledge Unlearning in Large Language Models

يُعد ZeroUnlearn إطار عمل لتعلم "إلغاء المعرفة" بأسلوب التعلم من أمثلة قليلة، حيث يعيد صياغة المهمة كمسألة إعادة رسم خرائط معرفية دقيقة عبر تعديل النموذج، مستخدماً تحديثات بارامترية ضربية لإزالة المعلومات الحساسة بكفاءة مع الحفاظ على المنفعة العامة للنموذج.

Yujie Lin, Chengyi Yang, Zhishang Xiang, Yiping Song, Jinsong Su2026-05-20

🤖 machine learning

To Call or Not to Call: Diagnosing Intrinsic Over-Calling Bias in LLM Agents

تحدد هذه الورقة البحثية وتفسر آلياً انحياز الاستدعاء المفرط الجوهري في وكلاء النماذج اللغوية الكبيرة، حيث تفضل النماذج استدعاء الأدوات حتى عندما يكون ذلك غير ضروري، وتثبت أنه يمكن تصحيح هذا الانحياز سببياً باستخدام المشفّرات التلقائية المتفرقة لتحسين دقة القرار الإجمالية دون التضحية بأداء الاستدعاء.

Wei Shi, Ziheng Peng, Sihang Li, Xiting Wang, Xiang Wang, Mengnan Du, Na Zou2026-05-20

→ السابق التالي ←