12553 ورقة بحثية
تستقصي هذه الورقة قدرة نماذج الرؤية واللغة (VLMs) على التعرف من الصفر (zero-shot) في مجال التعرف المنفصل على لغة الإشارة، كاشفةً أنه بينما تعاني النماذج مفتوحة المصدر الحالية من ضعف كبير مقارنة بالمصنفات المتخصصة، تُظهر النماذج المملوكة الأكبر حجماً توافقاً بصرياً-دلالياً واعداً يتحسن مع زيادة الحجم وتنوع البيانات.
تقدم هذه الورقة مفهوم "خطر تقطيع السلامي" وإطار عمل "هجوم تقطيع السلامي" المقابل له، والذي يتجاوز أمن النماذج اللغوية الكبيرة عبر تسلسل العديد من المدخلات منخفضة المخاطر لتفعيل سلوكيات ضارة تراكمياً، محققاً معدلات نجاح تتجاوز 90% عبر نماذج متنوعة، مع اقتراح استراتيجية دفاع فعالة أيضاً.
تقدم هذه الورقة إطار عمل للتعلم العميق من طرف إلى طرف يجمع بين عملية التعتيم القائمة على شبكات CRNN ونماذج Inpainting لـ Stable Diffusion 2 لإزالة معلومات صحية محمية من الصور الطبية تلقائياً مع إعادة بناء محتوى معقول تشريحياً، مما يتيح مشاركة البيانات بشكل آمن دون المساس بجدوى تحليل الذكاء الاصطناًعي اللاحق.
تقدم الورقة البحثية MERIT، وهو إطار عمل لدمج النماذج يعتمد على اختيار الطبقات ولا يتطلب تدريباً، والذي يعمل بفعالية على استعادة قدرات الاستدلال الزمني في نماذج اللغة والفيديو من خلال الجمع الاستراتيجي لطبقات محددة من نموذج الفيديو وهيكله الأساسي المقتصر على النصوص، مما يتغلب على تدهور الاستدلال الناتج عادةً عن المحاذاة البصرية دون الحاجة إلى إعادة التدريب.
تجادل هذه الورقة بأن الأداء التركيبي الضعيف لنماذج الرؤية واللغة ذات المشفر المزدوج ينبع من اعتمادها على تشابه جيب التمام العالمي أثناء الاستدلال، وتوضح أن إدخال آليات محاذاة دقيقة ومنطقة-قطاع خفيفة الوزن فوق التمثيلات المجمدة يعزز بشكل كبير التعميم التركيبي والمتانة تجاه تحولات التوزيع مقارنة بالضبط الدقيق الكامل.
تقدم هذه الورقة نماذج التدفق التنافسي المستمر (Continuous Adversarial Flow Models)، وهي طريقة توظف مميزًا متعلمًا لتنقيح نماذج مطابقة التدفق الحالية من خلال هدف تنافسي، مما يحسن بشكل كبير جودة العينات والاتساق مع التوزيعات المستهدفة في اختبارات قياسية مثل ImageNet ومهام توليد النصوص إلى صور.
تُعد SVD-Prune طريقة لتقليم الرموز (tokens) لا تتطلب تدريباً وتعمل بأسلوب "التوصيل والتشغيل"، حيث تستخدم تحليل القيم المفردة (Singular Value Decomposition) ودرجات الرافعة الإحصائية (statistical leverage scores) لاختيار الرموز البصرية الأكثر إفادة، مما يتغلب بفعالية على قيود النهج القائمة على الاستدلال للحفاظ على أداء عالٍ في نماذج الرؤية واللغة حتى في ظل قيود ميزانية الرموز القصوى.
تستقصي هذه الورقة تطبيق نماذج التعلم العميق، بما في ذلك التعلم الخاضع للإشراف، وتكييف النطاق غير الخاضع للإشراف، والاستدلال من نوع "الصفر محاولة" عبر النماذج اللغوية الكبيرة، للتعرف على التردد والارتباك في مقاطع الفيديو لتمكين التدخلات الصحية الرقمية المخصصة، لكنها تجد أن الأساليب الحالية تحقق أداءً محدوداً على مجموعة بيانات BAH، مما يسلط الض الضوء على الحاجة إلى تقنيات دمج أكثر تقدماً للزمان والمكان والوسائط المتعددة.
يقدم StarVLA- نموذجاً مرجعياً بسيطاً ولكنه تنافسي للغاية لنماذج الرؤية واللغة والعمل (Vision-Language-Action)، يثبت أن التعقيد المعماري الأدنى المقترن بدعامة قوية لنموذج الرؤية واللغة (VLM) كافٍ لتحقيق أداء رائد عبر معايير متنوعة، متفوقاً بذلك على الأنظمة المعقدة مثل في المهام الواقعية.
تقدم هذه الورقة إطار عمل "KernelSHAP" فعالاً لتجزئة الصور الطبية ثلاثية الأبعاد القائمة على الرقع، والذي يعمل على تسريع الاستنتاج من خلال تخزين "اللوجيت" (logit) مؤقتاً وحصر الحسابات في مناطق الاهتمام، مبرهنةً على أنه بينما تعمل "السوبر فوكسل" (supervoxels) العادية على تعظيم مقاييس الاضطراب، فإن "السوبر فوكسل" المدركة للأعضاء توفر تفسيراً سريرياً فائقاً وفعالية أكبر في تحديد محركات الإيجابية الكاذبة.