12113 ورقة بحثية
يُعد ReCAP إطار عمل للكشف عن الشذوذ الطبي الخالي من اللغة، والذي يستبدل المرتكزات الثابتة القائمة على نموذج CLIP بنماذج أولية بصرية مشروطة بالمدخلات وذاكرة غير معلمية، محققاً أداءً فائقاً في إعدادات التعلم الصفري والتعلم القليل بينما يقلل زمن انتقال الاستدلال بشكل كبير.
تقترح هذه الورقة نموذج الانتشار الموجه بالقناع التمييزي (DMD)، وهو إطار عمل غير مُشرف جديد للكشف عن الشذوذ الطبي يجمع بين تمييز إزاحة إعادة البناء والتحديد القائم على المتبقيات لتحقيق أداء رائد عبر مختلف أنماط التصوير الطبي.
تُثبت هذه الورقة أن تعزيز التنبؤ ببقاء مرضى سرطان الرئة غير صغير الخلايا (NSCLC) متعدد الوسائط باستخدام سمات وسيطة مهيكلة مشتقة من "أوتوماتون خلوي" مُعامل بالراديوميات، وذلك لالتقاط التفاعلات بين عدم التجانس الورمي والمورفولوجيا، يحسن الأداء بشكل كبير في مجموعة بيانات (Lung1) مقارنة بالنهج التقليدية للراديوميات والتعلم العميق.
تقدم هذه الورقة DocPO، وهو إطار عمل لتحسين سياسة المستندات يستخدم آلية تبريد مدركة للخطوات (Step-Aware Annealing) مبتكرة لتعزيز المكافآت القائمة على المرجع، مما يتغلب على ضعف الإشارات التمييزية لمقاييس مسافة التحرير التقليدية ويحسن بشكل كبير أداء التعلم التعزيزي من أجل تحليل مستندات عالي الدقة.
يُعدّ DiffuseAgent-MI عميلًا متكاملًا مع الأدوات وذاتي التطور، يضمن الاستدلال البصري الأمين عبر الجمع بين نموذج طاقة أدنى في تباين كولباك-ليبلر (KL-minimal energy model) للتأسيس الإدراكي التوزيعي، وآلية إصلاح مدفوعة بالتحقق لضمان الاتساق على مستوى المسار، مما يحسن بشكل كبير من كل من الدقة والقابلية للتفسير عبر مختلف المعايير متعددة الوسائط.
تقدم هذه الورقة البحثية GhostVAE، وهو هجوم باب خلفي خفي يستهدف اختراق المشفر الخاص بالمشفرات التلقائية التباينية (Variational Autoencoders) للتحايل بشكل موثوق على العلامات المائية الدلالية في نماذج الانتشار الكامنة (Latent Diffusion Models) مع الحفاظ على دقة كشف عالية للصور السليمة، مما يكشف عن ثغرات أمنية حرجة في أمن الأنظمة المتكاملة لأنظمة العلامات المائية الحالية.
تقدم هذه الورقة DrawAI، وهو إطار عمل شامل يتكون من معيار DrawAI-Bench وسير عمل الوكيل DrawAI-Flow، والمصمم لإعادة بناء الصور النقطية (raster) إلى رسومات مهيكلة وقابلة للتعديل من خلال الموازنة بفعالية بين الدقة البصرية والقابلية للتعديل الدلالي.
تقترح هذه الورقة "منهج التعلم التدريجي عند وقت الاختبار" (TTC)، وهو إطار عمل غير مرتبط بنموذج محدد يعزز الكشف عن المحتوى المولد بواسطة الذكاء الاصطناعي (AIGC) في المجموعات المفتوحة تحت تحولات المولدات غير المرئية، وذلك عبر تحسين الملصقات الوهمية تكيفياً من خلال عملية تدريب ذاتي قائمة على منهج تدريجي وتجميع الأدلة عبر المقاييس المختلفة، وقد تم التحقق من صحة ذلك باستخدام معيار شامل جديد يسمى AIGCGuard.
تستقصي هذه الورقة البحثية كيف تؤثر استراتيجيات ما قبل التدريب المختلفة للنماذج التأسيسية على قابليتها للنقل إلى مهام تصوير الشبكية واسعة المجال ضمن إطار تعلم المجموعات المتعددة، حيث وجدت أن أهداف الإشراف والتقطير الذاتي تتفوق عمومًا على الترميز التلقائي المقنع، مع تحقيق نموذج DINOv3 واسع النطاق لأفضل أداء حالي في تصنيف اعتلال الشبكية السكري.
تكشف هذه الورقة أن نماذج تحويل النص إلى فيديو الحالية تعاني من "عدم نضج"، حيث تفشل في دفع السمات الفيزيائية غير القابلة للانعكاس نحو الأمام بمرور الوقت بدلاً من عكسها، وتقترح بروتوكولاً قوياً يتكون من جزأين لقياس هذا النقص مع إثبات أن فرض الرتابة في التمثيلات الكامنة يمنع التوجيه القابل للتلاعب في القراءة.