ملخص تقني: HoloAegis

بيان المشكلة

تواجه حواجز الحماية الخاصة بالنماذج اللغوية الكبيرة (LLM) حالياً توتراً جوهرياً بين الدقة، وزمن الاستجابة (latency)، والتكلفة الحسابية. تندرج النماذج الحالية عموماً تحت طرفين متطرفين:

1. الأحكام العصبية التوليدية: توفر النماذج التوليدية ذات الأوزان المضبطة (مثل Llama-Guard وWildGuard) دقة عالية، ولكنها تتسبب في تكاليف استدلال باهظة (زمن استجابة يتراوح بين 180 إلى 1200 مللي ثانية) وتتطلب ذاكرة فيديو (VRAM) ضخمة، مما يجعل الرقابة الآنية أثناء التشغيل أمراً صعباً.
2. المصنفات العصبية التمييزية: توفر النماذج خفيفة الوزن (مثل Detoxify) زمناً أقل للاستجابة، لكنها تعاني من "تداخل المتشعبات" (manifold overlap) في الفضاءات المتجهة عالية الأبعاد، مما يؤدي إلى معدلات مرتفعة من الإيجابيات الكاذبة (FPR90 > 48%) في بيئات التشغيل الأولي (cold-start).

علاوة على ذلك، يحدد المؤلفون مشكلة تمثيلية أعمق: غالباً ما يؤدي الضبط الدقيق لمصنفات السلامة إلى تشويه المتشعب الدلالي (semantic manifold) المُدرب مسبقاً، مما يسبب "انهيار التمثيل" (representation collapse) حيث تُفقد التمايزات الدقيقة بين الاستعلامات المشروعة والعدائية.

المنهجية: HoloAegis

يقترح HoloAegis إطار عمل للاستدلال الطوبولوجي ذو معلمات دنيا، يقوم بفصل التمثيل الدلالي عن الاستدلال القراري بشكل صارم. يعمل النظام دون استدلال عصبي أثناء مرحلة اتخاذ القرار، معتمداً بدلاً من ذلك على ميكانيكا هندسية حتمية فوق التضمينات (embeddings) المجمدة.

المكونات الأساسية

1. المُشفّر الدلالي المجمد: نموذج Transformer خفيف الوزن وغير مضبوط (مثل BGE-Small) يقوم بخرائط النص إلى متجه موحد على كرة وحدة $S^{d-1}$. لا يتم تحديث المعلمات $\theta$ أبداً باستخدام بيانات الحماية، مما يحافظ على المتشعب الدلالي المُدرب مسبقاً.
2. بنك مرتكزات طوبولوجيا النظام ($A_{sys}$):
   • مجموعات محسوبة مسبقاً من نقاط الارتكاز ($A^+$ للآمن، و $A^-$ لغير الآمن) المستمدة عبر تجميع K-Means++ على مجموعات بيانات ضخمة غير متصلة (offline).
   • تعمل هذه المرتكزات كقواعد منفصلة تمتد عبر متشعبات السلامة والانتهاك.
3. تقييم طاقة جيبس-بولتزمان الحرة:
   • يتم صياغة تقييم السلامة كحساب فرق الجهد. بالنسبة للاستعلام $q$، يتم حساب الجهد الطوبولوجي $U(q; A)$ باستخدام تنعيم Log-Sum-Exp عبر أقرب $k$ من المرتكزات:
     $$U(q; A) = -\tau \log \left( \frac{1}{k} \sum_{a \in N_k(q,A)} e^{(q \cdot a - 1)/\tau} \right)$$
   • درجة السلامة هي الفرق $\Delta U(q) = U(q; A^-) - U(q; A^+)$. ويحدد العتبة $\eta$ القرار النهائي.
4. المتوسط المتحرك الأسي (EMA) مزديل النطاق الزمني لكشف الانحراف:
   • للكشف عن التلاعبات العدائية التدريجية متعددة الخطوات، يتتبع النظام متوسطين متحركين أسيين لتضمينات الاستعلام: حالة سريعة ($s_{fast}$) وحالة بطيئة ($s_{slow}$).
   • يُقاس الانحراف كمسافة زاوية $D_t = 1 - (s_{fast} \cdot s_{slow})$. يتم إطلاق تنبيه إذا تجاوز الانحراف عتبة معينة، حتى قبل أن يتجاوز سجل السلامة اللحظي حد القرار.
5. تدقيق الامتثال عبر لابلاسيان الرسم البياني (Graph Laplacian):
   • بالنسبة للبيئات المنظمة، يتم تدقيق الامتثال للسياسات عن طريق إسقاط تضمينات الاستعلام على رسم بياني للسياسة وحساب طاقة ديريكليه ($E = x^T Lx$). تشير الطاقة العالية إلى تنشيط عقد سياسات متضاربة أو حساسة.

الرؤية النظرية: استقرار الحدود الطوبولوجية

يقدم البحث فرضية استقرار الحدود الطوبولوجية، التي تفترض أن مراكز المرتكزات المتفرقة تعمل على تثبيت حدود القرار ضد الاضطرابات اللفظية عالية التردد (الضجيج) بشكل أفضل من مقدرات الفضاء المتجهي الكاملة. نظرياً، يعمل المقدر القائم على المرتكزات كمرشح تمرير منخفض (low-pass filter)، مما يؤدي إلى إزاحة أصغر متوقعة للحدود تحت تأثير الضجيج مقارنة بالطرق ذات الفضاء الكامل.

المساهمات الرئيسية

1. بنية حماية مبتكرة غير عصبية: نموذج قرار حتمي، قابل للتدقيق، وبدون الحاجة لضبط أولي (zero-cold-start)، يستبدل التوفيق العصيري الاحتمالي بالهندسة الطوبولوجية.
2. كشف الانحراف مزديل النطاق الزمني: آلية للكشف عن الانحرافات الدلالية الدقيقة والمتعددة الخطوات التي تغفل عنها المصنفات الثابتة.
3. استقرار الحدود الطوبولوجية: فرضية مدعومة نظرياً، ومسندة بأدلة تجريبية، تثبت أن حدود القرار القائمة على المرتكزات أكثر متانة تجاه الضجيج العدائي.
4. تحقق تجريبي شامل: التحقق عبر 8 اختبارات معيارية تشمل السمية، عمليات الاختراق (jailbreaks)، الهلوسة، والاحتيال.

النتائج التجريبية

تم تقييم HoloAegis عبر 8 اختبارات معيارية (بما في ذلك LMSYS ToxicChat، وHarmBench، وAuthenHallu، وCHIFRAUD)، وأظهر ما يلي:

• الدقة: يحقق HoloAegis أداءً قوياً في اختبارات محددة، بما في ذلك 1.0000 AUC في AuthenHallu و0.9802 في HarmBench. ومن الملاحظ أنه حقق 0.9758 AUC في مجموعة بيانات CHIFRAUD الصينية في وضع Zero-shot (باستخدام مرتكزات إنجليزية)، مما يشير إلى وجود هياكل طوبولوجية مستقلة عن اللغة. ومع ذلك، فإن متوسط AUC المسجل عبر سبعة اختبارات هو 0.8757، وهو أقل من 0.9476 الذي حققه نموذج KNN المرجعي و0.9510 الذي حققه Llama-Guard-3-8B على نفس المقاييس المجمعة.
• زمن الاستجابة: يحقق HoloAegis زمن استدلال أقل من مللي ثانية (0.8 مللي ثانية على وحدة المعالجة المركزية CPU). وبينما يعد هذا أسرع بكثير من الأحكام التوليدية (450–1200 مللي ثانية)، إلا أنه أعلى قليلاً من زمن الاستجابة البالغ 0.2 مللي ثانية المسجل لنموذج KNN المرجعي.
• الكفاءة: بصمة ثابتة أقل من 3.5 ميجابايت، مقارنة بـ 132 ميجابايت لنماذج KNN، وجيغابايتات للنماذج القائمة على LLM.
• المتانة: تحت ضجيج "Leetspeak" بنسبة 25%، أظهر مقدر المرتكزات انخفاضاً في AUC بنسبة 8.90% فقط، متفوقاً على انخفاض الفضاء الكامل البالغ 10.9%.
• كشف تعدد الخطوات: حسنت آلية Dual EMA قيمة AUC من 0.4096 (النموذج المرجعي الثابت) إلى 0.7270 في حالات الاختراق متعددة الخطوات.

الأهمية والادعاءات

يزعم البحث أن HoloAegis يشغل منطقة مثالية (Pareto optimal) لم تكن مشغولة سابقاً، حيث يقدم مقايضة فريدة: يوفر خصائص أداء تضاهي نماذج 7B (من حيث ذروة الاختبارات مثل AuthenHallu وHarmBench) مع زمن استجابة أقل من 35 مللي ثانية على وحدة المعالجة المركزية وبصمة ذاكرة ضئيلة، رغم أن متوسط AUC الإجمالي (0.8757) أقل من نماذج 7B (0.9480–0.9510) ونموذج KNN (0.9476).

تكمن الأهمية الأساسية في فصل التمثيل عن الاستدلال. من خلال الحفاظ على التمثيلات المجمدة وإجراء استدلال طوبولوجي بحت، يتجنب HoloAegis انهيار التمثيل المرتبط بالضبط الدقيق. ويجادل المؤلفون بأن "المتشعب الدلالي غير الآمن" يمتلك هيكلاً طوبولوجياً مستقلاً عن اللغة، مما يسمح لبنك مرتكزات واحد بخدمة لغات متعددة دون ضبط دقيق.

يوفر الإطار أدلة امتثال شفافة وقابلة للتدقيق عبر حسابات طاقة لابلاسيان الرسم البياني، مما يعالج طبيعة "الصندوق الأسود" للأحكام العصبية. وبينما يقر المؤلفون بالقيود المتعلقة بالاعتماد على التضمينات الأساسية وإمكانية التعرض لهجمات White-box ضد بنوك المرتكزات الثابتة، فإنهم يضعون HoloAegis كخطوة تأسيسية نحو سلامة ذكاء اصطناعي حتمية، منخفضة زمن الاستجلة، وقابلة للتدقيق رياضياً، خاصة في السيناريوهات التي تُعطى فيها الأولوية لصغر بصمة الذاكرة والقدرة على التدقيق على حساب الدقة الإجمالية الخام.