24297 ورقة بحثية
تقترح هذه الورقة طريقتين فعالتين للهجوم، هما هجوم الشبكة المدرك للثنائية (BAL-A) وهجوم البحث عن المطابقة الثنائية (BMP-A)، اللذان يستغلان إزاحة التدرج المستقلة عن المعلمات والناجمة عن قلب الملصقات لحل مشكلة تسميم التفضيلات المستهدفة في التعلم التعزيزي من التغذية الراجعة البشرية غير المتصل (offline RLHF) كمسألة تقريب ثنائي متفرّق مهيكل.
تُثبت هذه الورقة أن التدريب المسبق للنماذج التأسيسية متعددة الوسائط حصرياً على الإشارات الحيوية للنوم يحسن الأداء بفعالية عبر مهام متنوعة لتخطيط كهربائية الدماغ وتخطيط كهرباء القلب غير المتعلقة بالنوم، وغالباً ما يضاهي أو يتجاوز النماذج المتخصصة ذات الحالة الراهنة.
تُثبت هذه الورقة أن سياسات التعلم التعزيزي العميق المتكررة، التي تدمج آليات الذاكرة مثل شبكات الذاكرة الطويلة قصيرة المدى (LSTMs)، تتفوق بشكل كبير على النهج القياسي للتغذية الأمامية في تحسين جرعات العلاج الكيميائي تحت ظروف عدم اليقين في الرصد عبر تحقيق كبح أكثر استقراراً للأورام وحماية أفضل للخلايا الطبيعية.
تقيم هذه الدراسة بنيات الإعراب التبعي عبر عشر لغات متنوعة نمطياً، وتجد أنه بينما تتفوق نماذج المحولات (Transformer) في حالة وفرة البيانات، فإن نموذج (Biaffine LSTM) الأبسط يتفوق باستمرار في ظل ظروف الموارد المنخفضة، لا سيما بالنسبة للغات الأفريقية المعقدة صرفياً، وذلك حتى يتوفر قدر كافٍ من البيانات المشروحة.
باستخدام نظام بحث وكيل (agentic research harness) لإعادة إنتاج وتوسيع دراسة من مؤتمر ACL 2026، تُثبت هذه الورقة أن النماذج اللغوية الكبيرة الرائدة مثل GPT-5.5 وClaude Opus 4.7 لا يمكنها فقط تجاوز التحرير البشري اللاحق في محاكة أساليب الكتابة الشخصية، بل يمكنها أيضًا التهرب بفعالية من كواشف النصوص الاصطناعية من خلال التغذية الراجعة التنافسية المتكررة، مما يثير مخاوف كبيرة بشأن مستقبل سباقات التسلح في مجال الكشف عن الذكاء الاصطناعي.
تقدم هذه الورقة نظام U-Define، الذي يعزز تحكم المستخدم في التخطيط القائم على النماذج اللغوية الكبيرة من خلال السماح للمستخدمين بتصنيف القيود إما كقواعد "صارمة" (hard) أو تفضيلات "مرنة" (soft)، والتي يتم التحقق منها عبر طرق مكملة لتدقيق النماذج الرسمية واستخدام النموذج اللغوي الكبير كحَكَم (LLM-as-judge) لتحسين الموثوقية، وسهولة الاستخدام، ورضا المستخدم.
تقدم هذه الورقة البحثية نموذج التوجيه الانتشار لفك الارتباط الآمن (SDGD)، وهو إطار عمل جديد للتعلم التعزيزي الآمن غير المتصل يجمع بين التوجيه الخالي من المصنف المشروط بالتكلفة وبين إعادة تسمية المسارات الممكنة لفك ارتباط قيود السلامة عن تحسين المكافأة بفعالية، مما يحقق امتثالاً فائقاً للسلامة وعوائد عالية في سيناريوهات الميزانية التكيفية.
تقدم هذه الورقة مشفرًا تلقائيًا تباينيًا شرطيًا مبتكرًا يستخدم مجدول خلط لضبط المحاذاة ديناميكيًا بين التمثيلات القائمة على الرسم البياني والتمثيلات القائمة على الخصائص، مما يتيح تحكمًا هيكليًا دقيقًا وتوليد رسوم بيانية عالي الدقة عبر مجموعات بيانات متنوعة من العالم الحقيقي.
لمعالجة التراجع في تقييم التعرف على الأفعال لنماذج الرؤية واللغة، تقدم هذه الورقة VideoNet، وهو معيار مرجعي واسع النطاق يغطي 1,000 فعل خاص بمجالات محددة ومجموعة بيانات تدريبية لأسئلة وأجوبة الفيديو تبلغ 500 ألف فيديو، مما يثبت أن الضبط الدقيق على هذه البيانات يمكّن النماذج الأصغر من التفوق على نظيراتها الأكبر ذات الأوزان المفتوحة في التعرف على الأفعال المعقدة والخاصة بمجالات محددة.
تقترح هذه الورقة إطار عمل لتقطير المعرفة مستقرًا ينقل قدرات الاستنتاج من نموذج DeepSeek-R1 إلى نماذج مفتوحة المصدر مدمجة، مما يعزز بشكل كبير موثوقيتها وأداءها في الكشف عن استنساخ الكود عبر اللغات مع معالجة قيود التكلفة والاتساق الناتجة عن استخدام النماذج اللغوية الكبيرة كصناديق سوداء.