24235 ورقة بحثية
تُعد Star Elastic طريقة مبتكرة لما بعد التدريب تُنشئ بكفاءة نماذج فرعية استدلالية متعددة ومتداخلة من نموذج أب واحد عبر عملية تدريب واحدة، مما يتيح تحكماً ديناميكياً في الميزانية المخصصة لكل مرحلة، وهو ما يقلل تكاليف التدريب بشكل كبير مع تحسين المقايضة بين الدقة وزمن الاستجابة مقارنة بالتدريب المستقل أو النماذج المرجعية للضغط.
تقدم هذه الورقة نماذج الاقتران (Coupling Models)، وهي إطار توليدي منفصل ذو خطوة واحدة يتعلم اقتراناً مباشراً بين المتواليات المنفصلة والمتغيرات الكامنة الغاوسية لتمكين التوليد في خطوة واحدة، محققةً تحسينات كبيرة في الأداء مقارنة بالنماذج المرجعية الحالية في توليد النصوص، وتصميم المتواليات البيولوجية، وتخليق الصور.
تقترح هذه الورقة بنية نموذج عالم "ثلاثي في واحد" تدمج آلة بولتزمان عميقة لتعلم تمثيلات الاعتقاد المجمدة مع مهايئات خاصة بالمهام لتحقيق تقييم الاتساق القائم على الطاقة، والتنبؤ بالنتائج، والاستدلال المضاد للواقع في آن واحد، مما يظهر أداءً فائقاً في استعادة آثار العلاج غير المتجانسة ومعاقبة المسارات المضادة للواقع غير المعقولة مقارنة بالنماذج المرجعية الحالية.
حقق فريق PSK@EEUCA 2026 المركز الرابع في تحدي كشف السمية في لعبة World of Tanks عبر دمج نموذج Llama 3.1 8B مع ضبط دقيق باستخدام تقنية LoRA وتعزيز البيانات الاصطناعية بنسبة 5% للوصول إلى درجة F1-macro بلغت 0.6234، بينما حدد أيضاً "فخ التحقق" الحرج حيث يفشل الأداء العالي في مجموعة التحقق في التعميم على مجموعة الاختبار.
تقدم الورقة البحثية إطار عمل FAME، وهو إطار مكاني-زماني ينمذج التطور الديناميكي للمواضيع العلمية للتنبؤ بدقة بتأثير المخطوطات، مما يثبت أنه يتفوق بشكل كبير على مقيمات النماذج اللغوية الكبيرة (LLMs) الساكنة ويعزز أداءها عند دمجهما.
تقدم هذه الورقة إطار عمل "المحلل الوسيط" (proxy-analyzer) الذي يكتشف الهلوسة في النماذج اللغوية الكبيرة من خلال تحليل التنشيطات الداخلية لنماذج ذات أوزان مفتوحة صغيرة ومستضافة محلياً، محققاً أداءً هو الأفضل في فئته عبر بنيات محللة متنوعة مع إثبات أن حجم النموذج الأكبر لا يرتبط بالضرورة بدقة كشف أفضل.
تؤسس هذه الورقة أساساً نظرياً لفعالية التوجيه في الانتشار من خلال إثبات خاصية "متانة الدعم"، مما يوضح أن عمليات الانتشار الموجهة باستخدام دوال الدرجة (score functions) الدقيقة تولد باستمرار عينات تظل قريبة من الدعم المستهدف، مما يضمن المعقولية الهيكلية والدقة العالية.
تقترح هذه الورقة إطار عمل للتعلم المعدل يتيح إجراء انحدار موزع يحافظ على الخصوصية عبر الأجهزة بوجود عينة بيانات واحدة فقط لكل منها، وذلك عن طريق حقن ضوضاء معايرة في التمثيلات المحلية المحولة لتوليد تحديثات تدرج عالمية غير متحيزة، مما يتغلب على قيود التعلم الاتحادي التقليدي في سيناريوهات ندرة البيانات القصوى.
تثبت هذه الورقة أن تعقيد العينة للتحسين العشوائي مع المتغيرات الصحيحة يمكن أن يكون أكبر من، أو مساوياً لـ، أو حتى أصغر من نظيره المستمر، وذلك اعتماداً على الهندسة المحددة لمجموعة القيود وخصائص دالة الهدف.
تقدم هذه الورقة "التعلم المعزز المتبادل"، وهو إطار عمل يُمكّن النماذج اللغوية غير المتجانسة من تبادل الخبرات النوعية بشكل متزامن عبر طبقة ركيزة مشتركة وطبقة محاذاة للمجزئ، مما يثبت أن نقل النجاح على مستوى النتائج يقدم أفضل توازن بين الاستقرار والدعم مقارنة باستراتيجيات المشاركة على مستوى البيانات أو مستوى القيمة.