11611 ورقة بحثية
تقدم الورقة البحثية MAGE، وهو إطار دفاعي مبتكر يستفيد من "ذاكرة ظل" مخصصة لاستخلاص السياق الحرج للسلامة بشكل استباقي وكشف التهديدات طويلة المدى في وكلاء النماذج اللغوية الكبيرة (LLM agents)، محققاً دقة كشف عالية مع عبء تشغيلي ضئيل.
تُقدم الورقة البحثية نظام TeamUp، وهو نظام خفيف الوزن يعتمد على التضمين (embedding) ويستفيد من المطابقة الدلالية وخوارزميات التصنيف الهجينة لتشكيل فرق طلابية متنوعة معرفياً وتوجيهها نحو مشاريع ذات تحديات ملائمة تلقائياً، مما يؤدي إلى تحسين جودة المطابقة والعدالة ومخرجات التعلم بشكل كبير في المساقات القائمة على المشاريع واسعة النطاق.
تقدم الورقة البحثية S^2tory، وهو إطار عمل قائم على علم السرد يستفيد من مسارات تطور الشخصيات ووكيل استدلال مقيد بالنظرية لاستخلاص النوى الحبكية الجوهرية من سيناريوهات الأفلام غير الخطية، محققاً أداءً رائدًا في التلخيص مع دقة دلالية عالية.
تقترح الورقة البحثية LLM-XTM، وهو إطار عمل "الصندوق الأسود" الذي يعزز نماذج المواضيع عابرة اللغات من خلال دمج التنقيح الموجه بواسطة النماذج اللغوية الكبيرة مع قياس عدم اليقين عبر الاتساق الذاتي لتحقيق تماسك ومواءمة موضوعية متفوقة، مع تقليل الاعتماد على الموارد ثنائية اللغة واستدعاءات النماذج اللغوية الكبيرة المكلفة.
تقدم هذه الورقة البحثية "الاستنتاج المتداخل جنباً إلى جنب" (SxS Interleaved Reasoning)، وهو إطار عمل يُمكّن النماذج اللغوية الكبيرة من التحكم ديناميكياً في توقيت الكشف عن المحتوى أثناء التوليد لموازنة المقايضة بين وقت التداول والالتزام المبكر، مما يؤدي إلى تحسين أداء الدقة والكمون عبر مختلف المعايكير.
تُجري هذه الدراسة تحليلاً مقارناً لثلاث أدوات جاهزة للتعرف على الكيانات المسماة (Flair وSpacy وStanza) لتحديد أسماء المواقع الجغرافية في المقالات الإخبارية الألمانية حول الظواهر المناخية المتطرفة، موضحةً كيف تنتقل مخرجاتها المختلفة عبر مهام التحديد الجغرافي اللاحقة لتؤثر بشكل كبير على الاستنتاجات المتعلقة ببروز الدول في التغطية الإعلامية.
تقارن هذه الورقة البحثية بين نماذج تعلم الآلة التقليدية ونموذج "IndoBERT" المحوّل والمُعدل بدقة لتحليل المشاعر ثلاثي الفئات لتقييمات المنتجات الإندونيسية، حيث كشفت أن نموذج "Linear SVM" قد تفوق على نموذج التعلم العميق بدقة بلغت 97.60% بسبب تقيد الأخير بمجموعة فرعية مأخوذة من البيانات، مع استعراض النشر العملي لأفضل نموذج عبر تطبيق ويب باستخدام "Gradio".
تقارن هذه الدراسة بين خوارزميات التعلم الآلي التقليدية ونماذج التعلم العميق القائمة على الذاكرة الطويلة قصيرة المدى (LSTM) لتحليل مشاعر البريد الإلكتروني، حيث وجدت أنه بينما توفر نماذج LSTM استدعاءً قوياً للكشف عن الرسائل غير المرغوب فيها، فإن آلات المتجهات الداعمة ذات النواة الخطية تحقق التوازن الأمثل بين الدقة العالية (98.74%) وكفاءة المعالجة.
تكشف هذه الورقة أن ترميز المطالبات الضارة في شكل مسائل رياضية متماسكة (مثل نظرية المجموعات أو المنطق الصوري) يتجاوز بشكل كبير فلاتر السلامة في النماذج اللغوية الكبيرة عبر فرض إعادة صياغة عميقة بدلاً من الاعتماد على التدوين السطحي، محققاً معدلات نجاح عالية في الهجوم عبر نماذج متعددة مع تسليط الضوء على الحاجة إلى دفاعات تحلل البنية الرياضية.
تقارن هذه الورقة البحثية بين نماذج تعلم الآلة التقليدية ونماذج التعلم العميق من نوع (BiLSTM) على 70,155 مراجعة نظيفة من منصة سبوتيفاي باللغة الإندونيسية، حيث وجدت أنه بينما يحقق نموذج (BiLSTM) أعلى درجة إجمالية لـ (weighted F1-score)، فإن أشجار القرار (Decision Trees) المقترنة بتقنية (SMOTE) تقدم أداءً متوازناً متفوقاً عبر فئات المشاعر الثلاث، لا سيما بالنسبة لفئة المحايد التي تمثل الأقلية.