23199 ورقة بحثية
تقيم هذه الورقة مدى متانة تسلسلات النماذج الموفرة للطاقة تحت تأثير اضطرابات البيانات، حيث تحدد ثلاثة أنماط فشل متميزة تؤدي فيها تدهورات المدخلات إلى تقويض موثوقية التوجيه، وتوضح أن مثل هذه الأنظمة تتطلب تقييماً يتجاوز الدقة في الظروف المثالية لضمان الأداء في ظل تغيرات التوزيع.
تقدم هذه الورقة Baobab، وهو إطار عمل للتعلم العصبي الرمزي يقوم بتجميع أنطولوجيات OWL 2 DL كاملة في مخططات قرار جملية قابلة للتفاضل لتدريب شبكات الإدراك تحت إشراف جزئي، مما يتغلب بفعالية على اختصارات الاستدلال ويحقق أداءً أمثلياً بايزياً في مهام المنطق الوصفي غير الهورني (non-Horn).
تتناول هذه الورقة التعقيد الأسي لعمليات ماركوف لاتخاذ القرار الموزعة ذات الإدراك الجزئي (DecPOMDPs) من خلال الانتقال من عدّ الوكلاء إلى عدّ السياسات، مما يتيح حلولاً قابلة للتنفيذ عبر نهج برمجة ديناميكية جديد يعتمد على عدّ السياسات ويستفيد من التماثل للوصول إلى تمثيل مدمج.
تقدم هذه الورقة DACCI، وهو بروتوكول تشخيصي ثنائي الحلقة يعزز موثوقية أنظمة ذاكرة وكلاء النماذج اللغوية الكبيرة (LLM) من خلال تمكين تقييم قابل للتتبع، ومستند إلى أسس إحصائية، ومعبأ بوعي بالتراجع، لتحديد مواقع الإخفاقات بدقة والتحقق من صحة التدخلات عبر مراحل الاستيعاب، والاسترجاع، والتصفية، والتوليد.
تُثبت هذه الورقة أن استراتيجية التدريب القائمة على البيانات الاصطناعية أولاً، والتي تستفيد من توليد المشاهد الاصطناعية متبوعاً بضبط دقيق على كميات صغيرة من البيانات الحرارية الحقيقية، تتغلب بفعالية على ندرة الصور بالأشعة تحت الحمراء المُصنفة وفجوات النطاق لتحقيق كشف قوي للطائرات بدون طيار من الأرض إلى الجو، حيث أثبت محاذاة مجموعة البيانات أنه أكثر أهمية من حجم النموذج.
تقدم هذه الورقة MotoSafety، وهي بنية ذكاء اصطناعي حافة خفيفة الوزن تستفيد من الأهمية الزمنية المتعلمة لتحقيق تقييم عالي الدقة ومنخفض زمن الاستجابة لمخاطر التصادم للمركبات ذات العجلتين التي تعمل بالطاقة تحت ضغط الوقت، والتي تم التحقق من صحتها بواسطة مجموعة بيانات محاكي واسعة النطاق وأظهرت أداءً قويًا عبر المجالات الأمنية والنشاط والسريرية.
تقدم هذه الورقة LeakGauge، وهي طريقة خفيفة الوزن ومتينة تكتشف هجمات تسريب السياق في النماذج اللغوية الكبيرة من خلال تحليل احتمالات رموز مرحلة التعبئة المسبقة (prefill tokens) للاحقة التعبير عن السلوك، محققةً دقة عالية عبر نماذج متنوعة دون الحاجة إلى الوصول إلى الحالات الخفية الداخلية.
تقدم هذه الورقة البحثية BEAR-Bench، وهو معيار تقييم ثنائي اللغة (الإنجليزية-الروسية) يتكون من 1,000 سؤال تم تصنيفها بشرياً بناءً على وثائق مؤسسية وأكاديمية غنية بالنصوص لتقييم قدرات الاستدلال المعقدة وموثوقية كشف الهلوسة للنماذج اللغوية الكبيرة متعددة الوسائط، مما يكشف عن فجوات أداء كبيرة حتى بين الأنظمة الأكثر تطوراً.
تقوم هذه الورقة البحثية بتقييم أداء نماذج كشف الأجسام المتطورة الجاهزة للاستخدام على مجموعة بيانات عسكرية جديدة لإثبات أنه في حين أن الضبط الدقيق باستخدام البيانات المدنية يحسن الأداء، إلا أن تحديات كبيرة لا تزال قائمة في كشف الأهداف الصغيرة، كما يظل التدريب ضمن النطاق ذا أهمية بالغة لأنظمة الكشف والتعرف التلقائي على الأهداف.
تثبت هذه الورقة نظرياً القرب من المثالية لإطار عمل حل التصادم بالأفق المتدحرج (RHCR) لعملية إيجاد مسارات متعددة الوكلاء مدى الحياة، وتستفيد من هذه الرؤية لاقتراح نظام "الآفاق المتدحرجة لمتعدد الوكلاء اللامركزي المجموعاتي" (GD-RHCR)، وهو نهج تخطيط متوازٍ يقوم بتقسيم الوكلاء لتحقيق إنتاجية عالية وقابلية للتوسع بتكاليف حوسبة أقل بكثير مع الحفاظ على ضمانات القرب من المثالية.