در حال بارگذاری…
پژوهش در نقطهٔ اتصال هوش مصنوعی، مهندسی نرم‌افزار و سیستم‌های توزیع‌شده.
FaRAG-Guard؛ بررسی توهم در پاسخ‌های RAG فارسی با مدل سبک و شواهد قابل توضیح. دست‌نوشته در حال داوری است.
این مسیر پژوهشی بر قابل اعتماد بودن پاسخ‌های تولیدشده در زبان فارسی تمرکز دارد. FaRAG-Guard از XLM-RoBERTa و LoRA برای بررسی سه‌حالتهٔ پاسخ و استخراج شواهد استفاده می‌کند.
دست‌نوشتهٔ این کار در حال داوری است. محور پژوهش، بررسی توهم در RAG فارسی و ارائهٔ شواهدی است که به ارزیابی پاسخ کمک کنند.
ترکیب یادگیری تقویتی و شبکه‌های عصبی گرافی برای تصمیم‌گیری دربارهٔ منابع پردازشی.
این حوزه به تخصیص تطبیقی منابع در محیط‌های توزیع‌شده و ابری می‌پردازد. پژوهش RL-GNN ساختارهای گرافی را در کنار یادگیری تقویتی بررسی می‌کند و معماری‌های MLP، GCN، GAT و GraphSAGE را مقایسه می‌کند.
مقالهٔ مرتبط در DCHPC 2026 و مخزن GitHub این پروژه، مسیر بررسی جزئیات را فراهم می‌کنند.
مطالعهٔ هزینهٔ محاسباتی آموزش و استقرار LLM، با بهینه‌سازی چندهدفه و روش‌های تطبیقی.
مسئلهٔ اصلی این مسیر، رابطهٔ کیفیت مدل با هزینهٔ زمان اجرا، حافظه و منابع محاسباتی است. مقالات مرتبط، بهینه‌سازی چندهدفهٔ آموزش و استفاده از یادگیری تقویتی در استقرار مدل‌های زبانی را بررسی می‌کنند.
مقالهٔ مروریِ استقرار AI نیز تکنیک‌ها، چالش‌ها و شیوه‌های کار در محیط‌های محدود از نظر منابع را جمع‌بندی می‌کند.
پیش‌بینی خطا، آزمون هوشمند و تکامل کد؛ پیوند AI با کیفیت و عملکرد نرم‌افزار.
این مجموعهٔ پژوهشی کاربرد مدل‌های یادگیری ماشین و یادگیری عمیق را در چرخهٔ توسعهٔ نرم‌افزار بررسی می‌کند: شناسایی زودهنگام خطا، تحلیل گراف وابستگی کد، آزمون خودکار و تکامل کد با مدل‌های زبانی.
بهینه‌سازی زمان اجرا و مصرف حافظه نیز یکی از موضوعات مقالات این حوزه است. چکیده و فایل مقاله‌های ارائه‌شده از لینک‌های مرتبط قابل مشاهده‌اند.
از اعتماد و حریم خصوصی دستگاه‌ها تا بهینه‌سازی انرژی در محیط‌های توزیع‌شدهٔ لبه.
مقالات این حوزه به امنیت و اعتماد در اینترنت اشیا با یادگیری عمیق، نقش بلاک‌چین در حریم خصوصی و استفاده از یادگیری ماشین برای بهینه‌سازی انرژی در رایانش لبه می‌پردازند.
این موضوعات به‌عنوان حوزهٔ پژوهش معرفی می‌شوند؛ شرح و چکیدهٔ هر کار در رکورد مقالهٔ خودش آمده است.
