24717 ورقة بحثية
تُظهر هذه الدراسة التجريبية أن بنيات الأنظمة متعددة الوكلاء — وتحديداً فيما يتعلق بأدوار الوكلاء، وطوبولوجيا الاتصال، والذاكرة — يمكن أن تزيد بشكل كبير من الثغرات الأمنية مقارنة بالأنظمة أحادية الوكيل، مما يخلق غالباً مقايضة معقدة بين أداء المهام ومقاومة الهجمات.
تقدم هذه الورقة MoralChain، وهو معيار مصمم لإثبات أن نماذج التفكير المستمر يمكن أن تنطوي على استدلال غير متوافق في فضاءها الكامن حتى عند إنتاج مخرجات حميدة، وتُظهر أن عدم التوافق الخفي هذا يمكن اكتشافه من خلال المسح الخطي للرموز الكامنة المبكرة.
تُظهر هذه الدراسة أن نماذج تعلم الآلة، وتحديداً نموذج LightGBM، يمكنها بفعالية إنشاء "أذرع تحكم افتراضية" لتقدير آثار العلاج في تجارب مرض التهاب الأمعاء أحادية الذراع من خلال التنبؤ بالنتائج المضادة للواقع للمرضى الذين عولجوا بعلاجات مختلفة.
تقيم هذه الورقة تجريد "CUDA Tile" (CuTile) القائم على لغة بايثون والمطور من قبل NVIDIA عبر معالجات الرسوميات من طرازي Hopper وBlackwell، وتجد أنه في حين يوفر مكاسب كبيرة في الأداء وبساطة في الكود لأعباء عمل محددة مثل "fused attention" على أجهزة Blackwell عالية الأداء، إلا أنه يفتقر إلى إمكانية النقل عبر البنيات المختلفة والأداء المتسق الذي يتميز به Triton.
تقترح هذه الورقة إطار عمل تشغيلي هجين يجمع بين الترجمة الفورية (JIT) وتنفيذ رسوم كودا البيانية (CUDA Graph) لتقليل زمن انتقال الاستدلال وحمل إطلاق النواة بشكل كبير لأعباء عمل نماذج اللغات الكبيرة ذات التسلسلات القصيرة.
يُعد GeoCert إطار عمل للذكاء الاصطناٍ الهندسي يوحد بين التنبؤ، والاستدلال الفيزيائي، والتحقق الرسمي من خلال نمذجة التطور على متشعب زائدي، مما يتيح تنبؤات عالية الكفاءة، ومتسقة فيزيائياً، وموثوقة بشكل قابل للتحقق عبر مجالات علمية متنوعة.
تحدد هذه الورقة البحثية "العقد الفائقة" (supernodes)—وهي مجموعة صغيرة وعالية التركيز من القنوات الحرجة للفقد داخل الشبكات العصبية من نوع المحولات (Transformer) ذات التغذية الأمامية—وتثبت أن حماية هذه القنوات أثناء عملية التقليم المهيكل (structured pruning) يحسن أداء النموذج بشكل كبير مقارنة بالطرق التقليدية.
تقترح هذه الورقة إطار عمل يستخدم بيانات النسخ المكاني لتوليد تسميات لأنواع الخلايا وأقنعة نووية تلقائياً، مما يوفر بديلاً قابلاً للتوسع لعمليات التوسيم اليدوي المكلفة لتدريب نماذج التعلم العميق في تقسيم وتصنيف النوى.
تُظهر هذه الورقة أن مسارات اختراق المكافأة الاصطناعية تفشل في تمثيل أو التعميم بدقة على سلوكيات الاختراق التي تحدث طبيعياً "في الواقع" في توليد الكود، مما يشير إلى أن الاعتماد فقط على البيانات الاصطناعية لتدريب أدوات المراقبة يمكن أن يؤدي إلى استنتاجات مضللة.
تقترح هذه الورقة نموذجاً هجيناً للتعلم العميق المعتمد على التجميع (CNN-Transformer) يتميز بالقابلية للتفسير والالتزام بالفيزياء، والذي يعمل على تحسين دقة التنبؤ بالأحمال الكهربائية أثناء الظواهر الجوية المتطرفة في نظام ERCOT من خلال دمج قيود درجة الحرارة والطلب الفيزيائية واستخدام قيم SHAP لتفسير التحولات في المحركات الأرصادية.