22512 ورقة بحثية
يُعد DoctorAgents إطار عمل للذكاء الاصطناجِي (agentic AI) يستفيد من نماذج لغوية كبيرة متخصصة لتطوير مسارات تعلم الآلة السريرية بشكل تكراري من خلال تحديثات قائمة على الاستدلال وتغذية راجعة بلغة طبيعية، متفوقاً بذلك على أنظمة التعلم الآلي الآلي (AutoML) التقليدية في التعامل مع البيانات الزمنية الصغيرة وغير المتجانسة.
تقدم هذه الورقة مساراً قابلاً للإثبات وخالياً من الاعتماد على الأبعاد، يتعلم نماذج فضاء الحالة الخطية المدمجة من أنظمة ديناميكية غير خطية عن طريق تطبيق ترشيح طيفي للملاحظة محدب أولاً على متنبئ ضمني، ثم تقطيره إلى نموذج تكراري صريح، محققاً أداءً يطابق أو يتجاوز النماذج المرجعية للتدريب المباشر.
تقدم هذه الورقة طريقة حساسية الاضطراب ما بعد التقارب التي تحدد العينات الزائفة دون الحاجة إلى تصنيفات مجموعات، وذلك من خلال استغلال حقيقة أن النماذج تطابق هذه الحالات بتكوينات هشة وخاصة بالمدخلات، مما يتيح إعادة توازن فعالة لمجموعة البيانات تؤدي إلى تحسين دقة أسوأ مجموعة بشكل كبير.
تجادل هذه الورقة بأن "المحور الثالث" في التدريب التوليدي ليس النمذجة الاستكشافية (XM) في حد ذاتها، بل هو "الحرية" — أي ضعف القيود السلوكية — التي تسهلها النمذجة الاستكشافية عبر زيادة احتمالية المطابقة، وتتفوق تجريبياً على طرق الاختيار التقليدية في سيناريوهات التعميم وتحول التوزيع.
تقدم هذه الورقة البحثية مهام الطرفية الاصطناعية التكرارية (RST)، وهو إطار عمل قابل للتوسع يقوم بتوليد والتحقق من مهام الوكيل النهائية طويلة الأمد بشكل تكراري لإنتاج 37,484 مثالاً عالي الجودة بتكلفة منخفضة، مما يعزز بشكل كبير أداء النماذج الضبطية والوكيلية على الاختبارات المعيارية الصعبة دون إظهار علامات تضاؤل العوائد.
يقدم KV-Skill إطار عمل لضغط معرفة المهام من النصوص أو الخبرات إلى مشغلات خارجية مُحللة يمكن لنموذج لغوي ثابت الوصول إليها عبر واجهة خفيفة الوزن، محققاً أداءً وتعدداً في الوحدات يتفوق على الأساليب الحالية القائمة على التلقين والتكيف الفعال للمعلمات دون زيادة طول التلقين.
إن APQF هو إطار عمل مؤتمت وموجه بنماذج لغوية كبيرة، يدمج بين التقليم المهيكل القائم على التوصيف والكمية مختلطة الدقة مع الضبط الدقيق التكيفي لتقليل التكاليف الحسابية بشكل كبير مع الحفاظ على دقة عالية عبر مختلف النماذج الرؤية على الأجهزة ذات الموارد المحدودة.
تقدم هذه الورقة البحثية عملية "تجريد البواقي السلوكية لكل معرف" (per-ID behavioral residualization)، وهي تمثيل خاص بشبكات CAN يستخلص ويطبع الميزات الزمنية، وبروتوكولات الاتصال، وحمولات البيانات مقابل خطوط الأساس لكل معرف تحكيم فردي لتعزيز أداء كشف التسلل غير الخاضع للإشراف بشكل كبير، لا سيال ضد الهجمات التي تعيد استخدام المعرفات المشروعة، مع تحديد حدود قدرتها صراحةً في كشف هجمات الإغراق بمعرفات جديدة وهجمات التشويه عبر المعرفات (cross-ID fuzzing).
تقدم الورقة البحثية Align-RAG، وهي طريقة للتنبؤ المعزز بالاسترجاع لا تتطلب تدريباً، تستخدم إعادة قياس السعة وإزاحة الطور بالصيغة المغلقة لمحاذاة الأمثلة المسترجعة مع نموذج أساسي للسلاسل الزمنية مجمد، مما يثبت أن هذه المحاذاة وحدها يمكن أن تفوق محولات الدمج المدربة المتطورة وتفتح آفاق التعلم السياقي الديناميكي دون الحاجة إلى أي ضبط دقيق.
تكشف هذه الورقة عن "فجوة بين الحكم والنتيجة" في النماذج اللغوية الكبيرة، حيث تُظهر أنها تتفق مع البشر في أن المرضى مسؤولون عن السلوكيات الضارة بالصحة، لكنها ترفض بشكل منهجي السماح لهذه المسؤولية بالتأثير على تخصيص الموارد الشحيحة، على عكس البشر الذين يفضلون باستمرار المرضى الأقل ذنباً.