13253 ورقة بحثية
تقدم الورقة البحثية SPOT، وهو إطار عمل ذاتي الإشراف يعتمد على التباين، يجمع بين توليد الوجوه والتلقين المكاني لتقسيم عوائق الوجه بدقة دون الحاجة إلى أقنعة حقيقية للعوائق.
تقدم هذه الورقة طريقة تعتمد على الذكاء الاصطناعي لرفع الدقة وتتميز بكفاءة حسابية، حيث تقوم باستكمال الشرائح المفقودة في عمليات إعادة بناء صور الدماغ ثلاثية الأبعاد غير المتماثلة (anisotropic) من صور التشريح، مما يعزز الدقة التشريحية، ويحسن دقة التجزئة الآلية، ويقوي التكامل بين الاعتلالات العصبية والتصوير العصبي.
تقدم الورقة البحثية DIAMOND، وهي طريقة تعتمد على الصفر (zero-shot) ولا تتطلب تدريباً، تعمل على تخفيف العيوب البصرية والتشريحية في نماذج مطابقة التدفق (flow matching) والنماذج الانتشارية (diffusion models) عن طريق تطبيق تصحيح المسار أثناء الاستدلال لتوجيه عملية التوليد بنشاط بعيداً عن الحالات الكامنة الإشكالية دون الحاجة إلى تعديل أوزان النموذج.
تقترح هذه الورقة إطار عمل هجينًا جديدًا للتعلم العميق يدمج تحليل البيانات الطوبولوجي مع شبكة DenseNet121 لتحقيق دقة تبلغ 99.93% ومساحة تحت المنحنى (AUC) مثالية بنسبة 100% في تصنيف أربع مراحل من شدة مرض الزهايمر باستخدام بيانات رنين مغناطيسي من قاعدة بيانات OASIS.
حقق فريق HCMUS_TheFangs نتائج فوز في كلا المسارين في مسابقة NeurIPS 2025 (Mouse vs. AI) من خلال إثبات أن البنيات البسيطة والخفيفة تتفوق في المتانة البصرية، بينما تتفوق النماذج العميقة ذات السعة العالية في المحاذاة العصبية، مما يكشف أن الأداء الأمثل يعتمد على مطابقة التعقيد البنيوي مع أهداف مهام محددة بدلاً من تعظيم حجم النموذج.
تقترح هذه الورقة UltraBreak، وهو إطار عمل جديد يحقق هجمات كسر الحماية (jailbreak) شاملة وقابلة للنقل على نماذج الرؤية واللغة من خلال تقييد الأنماط العدائية في الفضاء البصري وتحسين الأهداف القائمة على الدلالات في فضاء التضمين النصي للتغلب على ضعف تعميم الطرق الحالية القائمة على التدرج.
تستعرض هذه المراجعة المصغرة تطور عملية تحديد معنى الكلمة بصرياً (VWSD) من دمج الوسائط المتعددة المبكر إلى أطر عمل "CLIP" والانتشار (diffusion) والنماذج اللغوية الكبيرة (LLM) الحديثة، مع تسليط الضوء على المكاسب الكبيرة في الأداء مع تحديد التحديات المستمرة في السياق، والتحيز، والتقييم متعدد اللغات.
تقدم هذه الورقة البحثية SimpleGPT، وهو متغير من نموذج Transformer يستخدم استراتيجية SimpleNorm مبتكرة تعمل على تثبيت مقاييس التنشيط وتقليل النط الطيفي لـ Hessian، مما يتيح معدلات تعلم أكبر بكثير ويحقق أداءً واستقراراً فائقين عبر مختلف أحجام النماذج مقارنة بالنماذج المرجعية الراسخة مثل LLaMA2.
تقترح هذه الورقة البحثية إطار عمل SSA، وهو إطار تعلم عميق شامل لدمج الصور متعددة الأطياف وفائقة الأطياف يستخدم "نواة ماتريوشكا" (Matryoshka Kernel) والتمثيل العصبي الضمني لتحقيق عدم الارتباط بالنطاق الطيفي ونطاق الدمج، مما يمكن نموذجاً واحداً من التعميم بفعالية عبر أجهزة استشعار متنوعة ودقات مكانية عشوائية.
يُعد FreeFuse إطار عمل لا يتطلب تدريباً يُمكّن من توليد صور عالية الجودة متعددة المواضيع من النصوص عبر تنفيذ التوجيه التكيفي على مستوى الرموز (Adaptive Token-Level Routing) أثناء الاستدلال، والذي يستخدم آلية FreeFuseAttn مبتكرة لتعيين بقايا LoRA الخاصة بكل موضوع ديناميكياً وبدقة إلى مناطقها المكانية المقابلة دون الحاجة إلى أدوات تقسيم خارجية أو إعادة تدريب النموذج.