27461 ورقة بحثية
تقترح هذه الورقة بنية قائمة على بيئة التنفيذ الموثوقة (TEE) تستخدم التوثيق عن بُعد لإنشاء حزم تقييم موقعة وقابلة للتدقيق لمراجعات المنح المدعومة بالذكاء الاصطناعي، مما يضمن شفافية العملية ومقاومة حقن الأوامر دون الكشف عن أوزان النماذج المملوكة أو منطق التسجيل.
يُعد BARRED إطار عمل يُنشئ بيانات تدريب اصطناعية عالية الدقة من خلال تفكيك أبعاد المجال والمناظرة بين الوكلاء المتعددين، مما يُمكّن النماذج اللغوية الصغيرة من التفوق على النماذج اللغوية الكبيرة المملوكة والأكثر تطوراً والأنظمة المخصصة للحماية في فرض السياسات المخصصة دون الحاجة إلى تعليق بشري مكثف.
تقدم هذه المساهمة إطار عمل للتنبؤ المطابق لقياس موثوقية أحكام نماذج الرؤية واللغة عبر تحويل التقديرات النقطية إلى فترات مُعايرة، وتُظهر أن عدم اليقين في التقييم يعتمد بشكل كبير على المهمة، وتكشف عن نمط فشل حرج يتمثل في "انفصال التصنيف عن التقييم"، حيث يمكن للنماذج ترتيب الاستجابات بشكل صحيح ولكنها تفشل في تقديم درجات مطلقة موثوقة.
تقدم الورقة البحثية DGLight، وهو إطار عمل مبتكر يقوم بضبط نموذج لغوي كبير مُدرب مسبقاً للتحكم في إشارات المرور من خلال الاستفادة من ناقد شبكة كيو العميقة (Deep Q-Network) لتوجيه تحسين السياسة النسبي الجماعي (Group Relative Policy Optimization)، مما ينتج عنه نظام يحقق أداءً رائداً بين المتحكمات القائمة على النماذج اللغوية الكبيرة مع توفير مسارات استدلال تفسيرية.
تقدم هذه الورقة خوارزمية الترتيب الطوبولوجي لـ "سكور-شور" (SSTS)، التي تتجاوز التحسين الهيكلي غير المحدب عبر استخراج الترتيب السببي مباشرة من متممة شور لجاكوبيات الدرجة، مما يعيد صياغة الاكتشاف السببي القابل للتوسع كمسألة تقدير إحصائي قادرة على التعامل مع الرسوم البيانية غير الخطية عالية الأبعاد.
تقترح هذه الورقة "تعلم كيو المدعوم بالسلامة" (Safe-Support Q-Learning)، وهو إطار عمل ثنائي المراحل يقضي على زيارة الحالات غير الآمنة أثناء تدريب التعلم التعزيزي من خلال الاستفيد من سياسة سلوكية مدعومة على مجموعة آمنة وتوظيف هدف بلمان مُنظّم بتباعد كولباك - ليبلر (KL-regularized Bellman target) لاستخلاص سياسة آمنة وعالية الأداء دون المساس بالاستكشاف داخل المنطقة الآمنة.
تقترح هذه الورقة البحثية "تحسين الفضاء الجزئي للتعلم الاتحادي" (SSF)، وهي طريقة تخفف من الانحراف الناتج عن عدم تجانس البيانات من خلال إجراء عملية التحسين في فضاء جزئي منخفض الأبعاد مع تحديثات بأسلوب الملء اللاحق للاحتفاظ بالمعلومات المتبقية، مما يحقق دقة عالية مع تقليل عبء الاتصالات والذاكرة بشكل كبير مقارنة بالأساليب الحالية.
تقترح هذه الورقة نموذج ذاكرة ترابطية من نوع هوبفيلد، حيث يقوم تعديل الكسب المنظم بالاعتلاج (الإنتروبيا) والوسيط عبر الخلايا النجمية بتنفيذ آليات الانتباه الذاتي ديناميكياً، مما يؤدي إلى تحسين دقة الاسترجاع بشكل كبير تحت أحمال الذاكرة العالية مقارنة بالنهج الكلاسيكية.
تقترح الورقة البحثية خوارزمية Dyna-SAuR، وهي خوارزمية تعلم تعزيزي مبتكرة تستخدم نموذج ديناميكيات مدرك لعدم اليقين تم تعلمه لتدريب مرشح سلامة وسياسة تحكم قابل للتوسع في آن واحد، مما يقلل بشكل كبير من حالات فشل التدريب في الأنظمة عالية الأبعاد مقارنة بالأساليب المتطورة.
تقدم هذه الورقة إطار عمل للتعلم التعزيزي لتجنب الاصطدام لكامل جسم الروبوت البشري، مبرهنةً على أن قياسات التقارب الخام ذات المدى الكافي يمكن أن تحل محل تحديد موقع الأجسام الصريح، وأن الإشارات المتفرقة وغير الاتجاهية توفر كفاءة عينة متفوقة مقارنة بالبدائل الكثيفة والاتجاهية.