#1 تجريبي مؤلف 1

👥 Authors:

user1 User1

📄 Abstract:

شهدت تقنيات التعلم العميق تطورًا سريعًا خلال السنوات الأخيرة، وأصبحت من الركائز الأساسية في بناء أنظمة الذكاء الاصطناعي الحديثة. تعتمد هذه التقنيات على الشبكات العصبية متعددة الطبقات التي تحاكي طريقة عمل الدماغ البشري في معالجة البيانات واستخلاص الأنماط المعقدة.

يهدف هذا البحث إلى تقديم عرض مبسط لمفهوم التعلم العميق، مع التركيز على بنية الشبكات العصبية الاصطناعية وآلية تدريبها باستخدام خوارزميات الانتشار العكسي وتحسين الأوزان. كما يستعرض البحث أهم مجالات التطبيق مثل التعرف على الصور، معالجة اللغة الطبيعية، تحليل البيانات الطبية، وأنظمة التوصية الذكية.

تعتمد الدراسة على مراجعة عدد من النماذج الشائعة مثل الشبكات الالتفافية والشبكات المتكررة، مع توضيح الفروقات الأساسية بينها من حيث البنية والاستخدام. وتبين النتائج أن اختيار النموذج المناسب وطبيعة البيانات يؤثران بشكل مباشر في دقة الأداء وكفاءة النظام.

يخلص البحث إلى أن التعلم العميق يمثل نقلة نوعية في مجال الذكاء الاصطناعي، إلا أنه ما زال يواجه تحديات تتعلق بتكلفة التدريب، الحاجة إلى بيانات ضخمة، وصعوبة تفسير النتائج، مما يفتح المجال لأبحاث مستقبلية تهدف إلى تطوير نماذج أكثر كفاءة وشفافية.
--

🏷️ Topics:

#3 AI-Driven Cyber Security Systems

👥 Authors:

Falah Al-Abed

📄 Abstract:

Cyber security has become a major challenge due to the rapid growth of digital systems and online services. Traditional security methods often fail to detect advanced and unknown cyber attacks. Artificial Intelligence provides new solutions by enabling systems to learn patterns, analyze large volumes of data, and respond to threats in real time. This paper explores the role of Artificial Intelligence in improving cyber security. It explains how machine learning and deep learning techniques support threat detection, intrusion prevention, and risk prediction. The study reviews common AI models used in cyber security and highlights their effectiveness in identifying malicious behavior. The paper also discusses current challenges, including data quality, model accuracy, and ethical concerns. The findings show that integrating Artificial Intelligence into cyber security systems improves detection speed and reduces human intervention. This research emphasizes the importance of AI-driven security frameworks for protecting modern digital environments.

🏷️ Topics:

#4 أخلاقيات الذكاء الاصطناعي والمسؤولية (AI Ethics and Responsibility)

👥 Authors:

Khalil Attiah

📄 Abstract:

يشهد الذكاء الاصطناعي توسعًا سريعًا في مختلف القطاعات مثل التعليم، الصحة، والأعمال.
هذا التوسع يفرض تحديات أخلاقية واضحة تتعلق بالمسؤولية، العدالة، والشفافية.

يركز هذا البحث على تحليل المبادئ الأساسية لأخلاقيات الذكاء الاصطناعي، مع التركيز على مسؤولية الأفراد والمؤسسات عند تصميم وتطبيق الأنظمة الذكية.
يناقش البحث قضايا التحيز الخوارزمي، حماية البيانات الشخصية، وتأثير القرارات الآلية على حقوق الإنسان.

يعرض المحتوى نماذج عملية توضح كيف يؤدي غياب الضوابط الأخلاقية إلى مخاطر قانونية واجتماعية.
كما يوضح دور الحوكمة والسياسات التنظيمية في تعزيز الاستخدام المسؤول للذكاء الاصطناعي.

يهدف هذا البحث إلى دعم بناء أنظمة ذكاء اصطناعي تحترم القيم الإنسانية، وتحقق التوازن بين الابتكار والمسؤولية المجتمعية، مع تعزيز الثقة بين المستخدم والتقنية.

🏷️ Topics:

📄 Abstract only - full paper not yet available

#5 Quantifying Query Fairness Under Unawareness

👥 Authors:

thomas Thomas Jaenich

📄 Abstract:

Traditional ranking algorithms are designed to retrieve the most relevant items for a user’s query, but they often inherit biases from data that can unfairly disadvantage vulnerable groups. Fairness in information access systems (IAS) is typically assessed by comparing the distribution of groups in a ranking to a target distribution, such as the overall group distribution in the dataset. These fairness metrics depend on knowing the true group labels for each item. However, when groups are defined by demographic or sensitive attributes, these labels are often unknown, leading to a setting known as “fairness under unawareness.” To address this, group membership can be inferred using machine-learned classifiers, and group prevalence is estimated by counting the predicted labels. Unfortunately, such an estimation is known to be unreliable under dataset shift, compromising the accuracy of fairness evaluations. In this paper, we introduce a robust fairness estimator based on quantification that effectively handles multiple sensitive attributes beyond binary classifications. Our method outperforms existing baselines across various sensitive attributes and, to the best of our knowledge, is the first to establish a reliable protocol for measuring fairness under unawareness across multiple queries and groups.
End of Abstract.
-----

🏷️ Topics: