22512 ورقة بحثية
تقدم هذه الورقة البحثية تعديل الكسب العصبي الديناميكي، وهو تقنية تحسين ثنائية المقياس الزمني مستوحاة من الآليات البيولوجية التي تزيد كسب الخلايا العصبية بشكل عابر لموازنة اللدونة والاستقرار، مما يخفف بفعالية من فجوة الاستقرار الملحوظة في التعلم المستمر المشترك عبر مختلف المعايك.
تقدم هذه الورقة LogicIF، وهي مهمة ومعيار جديد لتقييم قدرة النماذج اللغوية الكبيرة على اتباع التعليمات المنطقية المعقدة، إلى جانب إطار عمل قابل للتوسع (LogicIFGen) لتوليد بيانات تدريب قابلة للتحقق، والتي تؤدي عند استخدامها في التعلم المعزز إلى تحسين أداء النموذج بشكل كبير في المهام كثيفة المنطق.
تقدم هذه الورقة BAD-ACTS، وهو معيار وتصنيف جديد لتقييم متانة الأنظمة الوكيلية القائمة على النماذج اللغوية الكبيرة ضد الهجمات العدائية، كاشفةً عن ثغرات كبيرة بنسب نجاح تتراوح بين 40% و90% مع اقتراح دفاع فعال يعتمد على مراقبة الرسائل بنمط الصفر (zero-shot).
تقدم هذه الورقة ML-PWS، وهي طريقة تجمع بين تعلم الآلة وأخذ عينات وزن المسار لتقدير حد أدنى صارم لمعدلات انتقال المعلومات من البيانات الزمنية التجريبية دون الحاجة إلى نموذج عشوائي مسبق.
تقترح هذه الورقة "محاكياً عكسياً"، وهو نموذج توليدي قابل للعكس يعتمد على التدفقات الطبيعية المثلثية، يوحد بين المحاكاة الأمامية والاستدلال البايزي العكسي ضمن إطار عمل واحد قابل للتدريب مباشرة من العينات المزدوجة.
تقدم هذه الورقة امتدادات قابلة للتوسع وفعالة في استهلاك الذاكرة لمقدرات مؤشر "سوبول" (Sobol') للبيانات المعطاة، بما في ذلك خوارزمية تدفق واستراتيجيات تقسيم محسنة، مما يتيح تحليل الحساسية القائم على التباين للنماذج ذات أبعاد المدخلات الضخمة للغاية مثل الشبكات العصبية.
تُعد ToolUniverse منصة مفتوحة تعمل على دمقرطة إنشاء العلماء الاصطناعيين من خلال توحيد التفاعلات مع أكثر من 2,700 أداة علمية عبر منظومة موحدة قائمة على اللغة الطبيعية، مما يتيح التوليد والتحسين والتركيب الآلي لتدفقات العمل الوكيلية من أجل الاكتشاف العلمي الشامل.
يُعد MoE-Prism إطار عمل مصممًا بشكل مشترك بين النموذج والنظام، يتيح مرونة حوسبية على مستوى الطلب في خدمة نماذج خليط الخبراء (MoE) من خلال تفكيك الخبراء المتجانسين إلى خبراء فرعيين دقيقين وتنفيذ وقت تشغيل مدرك لـ ، مما يحسن الإنتاجية بشكل كبير ويقلل زمن الاستجابة لأعباء العمل غير المتجانسة.
تقدم هذه الورقة البحثية تقنية "الاستدلال كعملية إكمال للفراغات" (reasoning-as-infilling) لنماذج اللغات الانتشارية المقنعة (MDLMs)، وهي تقنية تفتح آفاقاً لقدرات فريدة مثل الخروج المبكر والاستدلال البعدي من خلال التحديد الصريح لمناطق الإجابة، مما يثبت في النهاية أن نماذج MDLMs يمكنها تحقيق أداء استدلالي يضاهي المسارات المكتوبة بشرياً وتوفير تقييم أكثر دقة للخطوات المتوسطة مقارنة بالنماذج ذات التوليد الذاتي (autoregressive models).
تقدم هذه الورقة دراسة تجريبية تُظهر أن نماذج تعلم الآلة، ولا سيما النماذج اللغوية الكبيرة والشبكات العصبية الرسومية المدربة على بيانات تحليل البرامج، يمكنها بفعالية ترتيب تقارير ثغرات Node.js حسب الأولوية لتقليل عبء المراجعة اليدوية بشكل كبير مع الحفاظ على معدل استدعاء عالٍ للثغرات القابلة للاستغلال الحقيقية.