25186 ورقة بحثية
تقدم الورقة البحثية HodgeCover، وهي طريقة ضغط خالية من التعلم لخليط الخبراء المتناثر (Sparse Mixture-of-Experts)، تتغلب على قيود التوافق الزوجي من خلال الاستفادة من تفكيك هودج (Hodge decomposition) لـ "لابلاسيان متشعب" (simplicial Laplacian) لتحديد وحل دورات الخبراء غير القابلة للاختزال، مما يحقق أداءً فائقاً في أنظمة الضغط الشرسة.
تقدم هذه الورقة PolitNuggets، وهو معيار متعدد اللغات مصمم لتقييم قدرة نماذج الاستدلال اللغوية الكبيرة الوكيلية على اكتشاف وتوليف الحقائق السياسية ذات الذيل الطويل من مصادر متفرقة، مما يكشف عن تحديات كبيرة في الدقة والفعالية الدقيقة مع تسليط الضوء على القدرات الرئيسية المطلوبة للأداء القوي.
يُعدّ "دوايف" (Dywave) إطار عمل مبتكر للترميز الديناميكي لإشارات استشعار إنترنت الأشياء غير المتجانسة، والذي يستفيد من التفكيك الهرمي القائم على المويجات لمواءمة التمثيلات المدخلة مع الأحداث الزمنية الجوهرية، محققاً تحسينات كبيرة في الدقة والكفاءة الحسابية مقارنة بالأساليب الرائدة حالياً.
باستخدام إطار عمل L-PACT الصارم، تُثبت هذه الدراسة أنه على الرغم من درجات التنبؤ الإيجابية، فإن النماذج اللغوية الحالية لا تتوافق حقاً مع التمثيلات الدماغية البشرية، حيث يمكن تفسير نجاحاتها الظاهرية بالكامل من خلال ظروف الضبط بدلاً من التشابه الهيكلي.
تقترح هذه الورقة إطاراً ذا بنية "شيف" (sheaf-theoretic) منتهية يكتشف التحولات في النظريات العلمية لدى وكلاء الذكاء الاصطناعي عبر تكميم إخفاقات النقل التمثيلي وتكاليف العوائق للتمييز بين التشوهات الصالحة ضمن لغة قائمة وبين التوسعات الضرورية إلى أنظمة جديدة.
تقدم هذه الورقة تعريفاً لضرورة الأداة يتكيف مع النموذج للكشف عن "فجوة معرفة-تنفيذ" كبيرة في النماذج اللغوية الكبيرة، مما يثبت أن الفشل الأساسي في استخدام الأدوات لا ينبع من عدم القدرة على إدراك متى تكون الأدوات مطلوبة، بل من عدم التوافق في ترجمة هذا الإدراك الداخلي إلى أفعال فعلية لاستدعاء الأداة.
تقترح هذه الورقة إطار عمل عصبياً-رمزياً يدمج النماذج اللغوية الكبيرة مع التحقق الصوري لمعالجة مسألة الاستنتاجات القائمة على الافتراضات في الذكاء الاصطناعي القانوني، مما يتيح استدلالاً قانونياً موثوقاً وصارماً دون التضحية بالمساءلة.
تقدم الورقة البحثية SPIN، وهو غلاف تخطيط يفرض هياكل الرسوم البيانية الموجهة غير الحلقية (DAG) التي تم التحقق من صحتها، ويستخدم التنفيذ التدريجي القائم على البادئة لتقليل استدعاءات الأدوات بشكل كبير وتحسين معدلات إنجاز المهام في أنظمة وكلاء النماذج اللغوية الكبيرة (LLM) الصناعية.
تقدم هذه الورقة "الاستنتاج التوجيهي" (Derivation Prompting)، وهي تقنية توجيه جديدة قائمة على المنطق لتعزيز التوليد المعزز بالاسترجاع، تعمل على بناء أشجار استنتاج قابلة للتفسير للحد بشكل منهجي من الهلوسة والاستدلال الخاطئ في المهام كثيفة المعرفة.
تقدم هذه الورقة إطار عمل للتعلم التعزيزي يسمى "تخصيص الائتمان المدرك للنماط" (MoCA)، والذي يحل معضلة المقايضة بين الإدراك والاستدلال في النماذج اللغوية البصرية من خلال فك الارتباط في عملية التوليد إلى خطوات متداخلة واستخدام آليات تحقق متخصصة لنسب الأخطاء بدقة إما إلى إدراك معيب أو منطق معيب، مما يتيح مكافآت مستهدفة تعمل على تحسين كلتا القدرتين في آن واحد.