23505 ورقة بحثية
تقدم الورقة البحثية OP-Mix، وهو خوارزمية موحدة وفعالة لخلط البيانات تستخدم استيفاء المهايئ منخفض الرتبة لمحاكاة الخلطات المرشحة عبر دورة حياة تدريب النموذج اللغوي بأكملها، محققةً أداءً يقارب المستوى الأمثل مع تقليل الحوسبة بشكل كبير مقارنة بالطرق الحالية الخاصة بكل مرحلة.
تقدم هذه الورقة إطار الثقة الموزع (DTF)، وهو بنية تحقق تعمل على تأمين أنظمة الذكاء الاصطناعي السيادية عبر استبدال التفويض القائم على الهوية الثابتة بنموذج ديناميكي قائم على الإجماع، حيث تُشتق سلطة التنفيذ بدقة من براهين تبرير (Justification Proofs) قابلة للتحقق تشفيرياً وسلسلة أدلة (Evidence Chain) غير قابلة للتغيير.
تقدم هذه الورقة نموذج Mask-Morph Graph U-Net (MMGUNet)، وهو نموذج بديل مبتكر يعزز القدرة على التعميم وكفاءة البيانات للتنبؤ بمجالات ملاءمة التصادم القائمة على الشبكات (mesh) تحت التغيرات الهندسية الكبيرة، وذلك عن طريق تحويل هرميات الرسوم البيانية الخشنة (coarsened graph hierarchies) إلى الشبكات المدخلة واستخدام التدريب المسبق الخاضع للإشراف المقنع مع الضبط الدقيق كفء المعلمات.
يُعد MuteBench معياراً شاملاً لتقييم متانة بنيات الاندماج متعدد الوسائط ضد فقدان البيانات عبر الوسائط وداخل الوسائط الواحدة عبر مجموعات بيانات سريرية متنوعة، مما يكشف أن عائلة بنية النموذج هي المحدد الرئيسي للقدرة على التحمل ويقدم رؤى عملية لاختيار وتصميم أنظمة ذكاء اصطعي سريرية مرنة.
تقدم هذه الورقة البحثية طريقة التقطير الذاتي داخل السياسة لضبط السلامة (OPSA)، وهي طريقة تقلل من "ضريبة السلامة" (المقايضة بين السلامة والقدرة على الاستنتاج) عبر تدريب النماذج على مخرجاتها الخاصة مع إشراف كثيف من نسخة معلم مجمدة، مما يجعلها تتفوق على الأساليب الحالية القائمة على السياسات الخارجية والمعلمين الخارجيين عبر مختلف أحجام النماذج.
تقدم هذه الورقة \themodel{}، وهو إطار عمل انتشار جديد متعدد الدقة وموجه بالترانسكريبتوم، يعالج الطبيعة غير محددة المعالم للتصميم الدوائي القائم على الترانسكريبتوم من خلال سد الفجوة بين المجال البيولوجي والمجال الكيميائي لتوليد جزيئات مشروطة بانتقالات الحالة الخلوية المرغوبة.
تتحدى هذه الورقة البحثية الافتراض القائل بأن النماذج التوليدية تحمي الخصوصية بطبيعتها، وذلك من خلال إثبات أن بيانات المسارات الاصطناعية تظل عرضة لهجمات استنتاج العضوية، مما يسلط الض الضوء على فجوة حرجة في طرق تقييم الخصوصية الحالية لهذه النماذج.
تقترح هذه الورقة بنية MLOps قائمة على Kubeflow لنماذج الذكاء الاصطناعي المنشورة عبر Kubernetes، والتي تكتشف تلقائياً الهجمات العدائية أثناء عملية الاستدلال وتُفعل آليات دفاع تعتمد على "تدرج الانحدار المتوقع" (PGD) لاستعادة دقة النموذج وموثوقيته.
تقترح الورقة البحثية آلية "انتباه الكوامن لمجموعات الاستعلام" (GQLA)، وهي تعديل متكيف مع الأجهزة لآلية "الانتباه الكامن متعدد الرؤوس" (MLA) الخاصة بـ DeepSeek، تتيح لمجموعة واحدة من الأوزان التبديل ديناميكيًا بين مسار امتصاص (MQA-absorb) لوحدات معالجة الرسوميات من فئة H100 ومسار (GQA) لوحدات معالجة الرسوميات السلعية مثل H20، مما يؤدي إلى تحسين كفاءة الاستدلال ودعم التنبؤ متعدد الرموز دون الحاجة إلى إعادة تدريب أو نوى مخصصة.
تدافع هذه الورقة الموقفية عن إطار عمل "الأفكار أولاً" في أبحاث تعلم الآلة، والذي يعطي الأولوية لاختبار البصمات السلوكية للمفاهيم الجديدة من خلال تجارب مصممة خصيصاً، مما يسد الفجوة بين النظرية والتطبيق مع تعزيز العدالة عبر تقليل الاعتماد على المعايير المرجعية كثيفة الاستهلاك للموارد.