cs.AI ورقة بحثية

Optimal Experiments for Partial Causal Effect Identification

تتناول هذه الورقة مشكلة اختيار التجارب المقيدة بالتكلفة لتقليص حدود الأثر السببي إلى أقصى حد، وهي مشكلة تنتمي لفئة المسائل الصعبة (NP-hard)، وذلك عبر صياغة هدف "القدرة القصوى" (max-potency)، وتطوير معايير تقليم رسومية فعالة لتقليص فضاء البحث بشكل جذري، وإثبات فعالية هذا النهج على كل من الاختبارات المعيارية الاصطناعية وبيانات (NHANES) الواقعية.

Tobias Maringgele, Jalal Etesami2026-05-11

🤖 AI

Adaptive auditing of AI systems with anytime-valid guarantees

تقدم هذه الورقة إطار عمل تدقيق تكيفي لأنظمة الذكاء الاصطناي التوليدي يستفيد من الاستدلال الآمن الصالح في أي وقت (SAVI) ومن نهج "الاختبار عن طريق المراهنة" لتوفير ضمانات صارمة إحصائياً وصالحة في أي وقت حول متانة النموذج بعدد أقل بكثير من الملاحظات مقارنة بالطرق التقليدية.

Siyu Zhou, Patrick Vossler, Venkatesh Sivaraman, Yifan Mai, Jean Feng2026-05-11

🤖 machine learning

FlashMol: High-Quality Molecule Generation in as Few as Four Steps

تقدم الورقة البحثية FlashMol، وهو نموذج توليدي فائق السرعة ينتج هيئات جزيئية ثلاثية الأبعاد عالية الجودة في أربع خطوات فقط من خلال تكييف تقنية مطابقة التوزيع مع إعادة توزيع الخطوات الزمنية المحسنة وتنظيم تباعد جينسن-شانون، محققاً تسارعاً يصل إلى 250 ضعفاً مقارنة بنماذج الانتشار التقليدية مع الحفاظ على جودتها أو تجاوزها.

Xinyuan Wei, Zian Li, Shaoheng Yan, Cai Zhou, Muhan Zhang2026-05-11

🤖 AI

Behavior Cue Reasoning: Monitorable Reasoning Improves Efficiency and Safety through Oversight

تقدم هذه الورقة "استنتاج إشارات السلوك" (Behavior Cue Reasoning)، وهي طريقة تُدرب النماذج اللغوية الكبيرة على إصدار إشارات رموز خاصة قبل سلوكيات محددة، مما يتيح إشرافاً فعالاً يقلل بشكل كبير من رموز الاستنتاج المهدرة ويستعيد الإجراءات الآمنة دون المساس بالأداء.

Christopher Z. Cui, Taylor W. Killian, Prithviraj Ammanabrolu2026-05-11

🤖 machine learning

A Systematic Investigation of The RL-Jailbreaker in LLMs

تقدم هذه الورقة أول تفكيك منهجي لعمليات كسر الحماية القائمة على التعلم المعزز، كاشفةً أن عوامل صياغة البيئة — وتحديداً المكافآت الكثيفة وأطوال الحلقات الممتدة — هي المحركات الرئيسية لهجمات ناجحة ضد جميع النماذج اللغوية الكبيرة المستهدفة وضماناتها.

Montaser Mohammedalamen, Kevin Roice, Reginald McLean, Alyssa Lefaivre Škopac2026-05-11

📊 statistics

An Interpretable and Scalable Framework for Evaluating Large Language Models

تقترح هذه الورقة إطار عمل قابلاً للتوسع وقابلاً للتفسير يعتمد على مبدأ "التعظيم الأدنى" (majorization-minimization) للتغلب على القيود الحسابية وقيود الاستقرار لطرق نظرية الاستجابة للمفردة التقليدية، مما يتيح تقييماً فعالاً ودقيقاً للنماذج اللغوية الكبيرة عبر معايير قياس متنوعة.

Xinhao Qu, Qiang Heng, Hao Zeng, Xiaoqian Liu2026-05-11

🤖 machine learning

Unlocking High-Fidelity Molecular Generation from Mass Spectra via Dual-Stream Line Graph Diffusion

تقدم هذه الورقة DualLGD، وهو نموذج انتشار للرسوم البيانية الخطية ثنائي المسار يتغلب على الاختناق المعماري للطرق أحادية المسار الحالية من خلال فك الارتباط والمزامنة الصريحة للاستنتاج على مستوى الذرات والروابط عبر الانتباه المتقاطع المقيد بالوقوع، محققاً بذلك أداءً هو الأفضل في فئته في التوليد الجزيئي من طيف الكتلة.

Xujun Che, Xiuxia Du, Depeng Xu2026-05-11

🤖 machine learning

Towards Differentially Private Reinforcement Learning with General Function Approximation

تقدم هذه الورقة أول ضمانات نظرية للتعلم التعزيزي عبر الإنترنت ذي الخصوصية التفاضلية مع التقريب الوظيفي العام، محققةً حداً للندم بمقدار $\widetilde{O}(K^{3/5})$ من خلال دمج مبتكر بين تحديثات السياسة المجمعة والآلية الأسية، مع توضيح الفجوات في الإعدادات الخطية السابقة أيضاً.

Yi He, Xingyu Zhou2026-05-11

💬 NLP

GSM-SEM: Benchmark and Framework for Generating Semantically Variant Augmentations

تقدم هذه الورقة البحثية إطار عمل GSM-SEM، وهو إطار عشوائي يولد متغيرات معيارية متنوعة دلاليًا ومعدلة واقعيًا للتخفيف من تحيز الحفظ في تقييمات النماذج اللغوية الكبيرة، مما يكشف عن انخفاضات كبيرة في الأداء في النماذج المتطورة عند اختبارها على هذه المجموعات من البيانات المُعاد توليدها ديناميكيًا.

Jyotika Singh, Fang Tu, Aziza Mirzadova, Amit Agarwal, Hitesh Laxmichand Patel, Sandip Ghoshal, Miguel Ballesteros, Yass (…)2026-05-11

🤖 machine learning

Dr. Post-Training: A Data Regularization Perspective on LLM Post-Training

يقدم "Dr. Post-Training" إطار عمل مبتكر يعيد صياغة بيانات التدريب العامة الوفيرة كمنظم مستحث بالبيانات لمنع الإفراط في التخصيص على البيانات المستهدفة الشحيحة، وذلك عبر إسقاط اتجاهات التحديث على مجموعة قابلة للتنفيذ، مما يجعله يتفوق على أساليب اختيار البيانات الحالية في مهام الضبط الدقيق الموجه للتعليمات (SFT)، والتعلم التعزيزي من التغذية الراجعة البشرية (RLHF)، والتعلم التعزيزي من المكافأة المتغيرة (RLVR) بأقل قدر من العبء الحسابي.

Pingbang Hu, Xueshen Liu, Z. Morley Mao, Jiaqi W. Ma2026-05-11

→ السابق التالي ←