24608 ورقة بحثية
تضع هذه الورقة ضمانات نظرية لخطأ التجزئة والاستقرار لنماذج فضاء الحالة (State Space Models) والمشغلات العصبية فورير (Fourier Neural Operators) من خلال اشتقاق حدود تحليلية تربط انتظام الحل بتجزئة المدخلات والتحقق من هذه النتائج عبر تجارب تجريبية على معايير مرجعية أحادية وثنائية الأبعاد.
تقترح الورقة البحثية DFBScanner، وهو إطار عمل استاتيكي خفيف الوزن وفائق السرعة يكتشف هجمات الأبواب الخلفية في الشبكات العصبية العميقة من خلال تحليل تحديثات المعلمات الشاذة في طبقة التصنيف النهائية، محققاً دقة عالية عبر هجمات متنوعة بمتوسط وقت كشف يبلغ ١ ميلي ثانية فقط لكل نموذج.
تقدم الورقة البحثية HTell، وهي طريقة سريعة وخفيفة الوزن وخالية من البيانات للكشف عن الأبواب الخلفية، تحدد النماذج المخترقة من خلال تحليل تركيزات الاستجابة غير الطبيعية في رأس التنبؤ تحت تأثير مسابير كامنة عشوائية، محققة دقة وكفاءة عاليتين دون الحاجة إلى بيانات حقيقية أو تدرجات أو تحسين تكراري.
تقدم هذه الورقة WILDFIRE-FM، وهو أول نموذج تأسيسي تم تدريبه مسبقاً خصيصاً للتنبؤ بحرائق الغابات، وتقترح إطار تقييم ذو عقد ثابت لإثبات أن استنتاجات نقل التعلم الخاصة بحرائق الغابات حساسة للغاية لتصميم التقييم وصياغة المهام.
تقدم الورقة البحثية إطار عمل DMN، وهو إطار عمل لكسر الحماية تركيبي يستغل المدخلات متعددة الصور من خلال توزيع التعليمات، وتقديم أدلة متعددة الوسائط، وإضافة مهام سلاسل الأرقام لتحقيق معدلات نجاح في الهجوم تتجاوز 90% على النماذج اللغوية الكبيرة متعددة الوسائط الرائدة، مما يكشف عن نقاط ضعف حرجة في محاذاة السلامة الخاصة بها.
تقترح الورقة البحثية SynGR، وهو إطار عمل توصية توليدي تآزري يستفيد صراحةً من التبعيات عبر الوسائط لالتقاط دلالات العناصر الناشئة والتفوق على النهج الحالية القائمة على المحاذاة عبر معايير متعددة.
تقدم هذه الورقة "تسميم التجربة الهوسية" (OEP)، وهو هجوم منخفض الامتيازات في بيئة الصندوق الأسود يستهدف الوكلاء المعتمدين على النماذج اللغوية الكبيرة المعززة بالذاكرة عبر حقن تجارب صحيحة محلياً ولكنها غير قابلة للنقل ذات عواقب افتراضية وخيمة، مما يتسبب في تعميم الوكلاء بشكل مفرط نحو قواعد ضارة أثناء عملية التطور الذاتي.
يُعد HypergraphFormer نهجاً جديداً قائماً على النماذج اللغوية الكبيرة (LLM) يقوم بتوليد مخططات طوابق قابلة للتعديل من خلال تعلم تمثيلات المخططات الفائقة (hypergraph)، متفوقاً بذلك على أحدث الأساليب في الدقة، وكفاءة البيانات، والقدرة على التكيف مع الحدود التعسفية.
تقدم هذه الورقة البحثية O'Prior، وهو نموذج واقعية تركيبي يعزز بشكل كبير دقة ومتانة النماذج التأسيسية للبيانات الجدولية من خلال استبدال توزيعات التدريب المسبق الاصطناعية المثالية للغاية ببروتوكول توليد أكثر تعقيداً وخضوعاً للاختبارات القاسية يحاكي بشكل أفضل عدم انتظام البيانات في العالم الحقيقي.
تُظهر هذه الورقة أن النماذج الأساسية ذات التعلم الذاتي، ولا سيما نماذج DINO وCLIP، تتفوق باستمرار على الأساليب الخاضعة للإشراف في تصنيف واسترجاع الأعمال الفنية، مما يقدم رؤى قيمة للتطبيقات الواقعية مثل الملاحة في المتاحف عبر الواقع الافتراضي.