4658 articles
Cet article propose le standard d'exécution SAE (Survivability-Aware Execution), une couche middleware qui sécurise les agents de trading crypto de type OpenClaw en imposant des invariants non contournables et en mesurant l'écart de délégation, réduisant ainsi drastiquement les pertes maximales et les risques d'attaques lors de l'exécution de stratégies.
Le papier présente l'EAD, un modèle de diffusion équivariant et asynchrone doté d'un mécanisme de planification dynamique qui surpasse les méthodes existantes en générant des conformations moléculaires 3D en combinant les avantages des approches auto-régressives et synchrones.
Cet article présente CSRO, un cadre novateur qui remplace les oracles d'apprentissage par renforcement par des modèles de langage pour générer des politiques multi-agents interprétables sous forme de code, tout en maintenant des performances compétitives.
Cet article propose une méthode d'épissage « doux » basée sur un proxy de bit de poids fort intégré à une instruction RISC-V personnalisée, qui permet de réduire considérablement le nombre d'opérations MAC et la consommation énergétique des CNNs sur des dispositifs embarqués sans perte de précision, surpassant ainsi les techniques d'épissage traditionnelles.
Le papier CLIPO propose d'intégrer un mécanisme d'apprentissage contrastif à l'optimisation de politique pour généraliser l'apprentissage par renforcement avec récompenses vérifiables (RLVR), permettant ainsi de corriger les incohérences de raisonnement et les hallucinations en se concentrant sur la structure invariante des étapes intermédiaires correctes plutôt que sur le seul résultat final.
Cette paper démontre que le phénomène « Lost in the Middle », caractérisé par une courbe de performance en U, est une propriété géométrique inhérente aux transformateurs décodeurs causaux dès l'initialisation, résultant de la divergence logarithmique de l'influence au début du contexte et d'un ancrage résiduel à la fin, laissant une zone morte factorielle au milieu qui persiste même après l'entraînement standard.
Ce papier propose AR-VLA, un expert d'action autonome et autorégressif qui maintient une mémoire à long terme pour générer des trajectoires d'action spatio-temporellement cohérentes et fluides, surpassant ainsi les modèles VLA réactifs actuels tout en assurant un taux de réussite élevé dans des tâches de manipulation robotique.
Ce papier propose un système automatisé utilisant des agents IA spécialisés dans une boucle d'optimisation continue pour améliorer les produits de données en générant des actifs d'appui et en surveillant la qualité, tout en intégrant un contrôle humain pour garantir la fiabilité.
Cet article propose une synthèse unifiée de l'asymétrie fondamentale entre génération et reconnaissance en théorie des langages formels en identifiant six dimensions distinctes, dont deux nouvelles (directionnalité et temporalité), pour démontrer que cette divergence opérationnelle persiste malgré l'unification architecturale des modèles de langage modernes.
Cette étude démontre que la modélisation sociale à grande échelle sur le réseau X permet de représenter et de prédire les préférences des utilisateurs à travers différents domaines, offrant ainsi une personnalisation efficace en configuration « zero-shot » grâce à des embeddings sociaux qui capturent également des facteurs socio-démographiques.
L'article propose le « Mashup Learning », une méthode simple qui améliore l'adaptation des grands modèles de langage à de nouvelles tâches en fusionnant des checkpoints historiques pertinents pour servir d'initialisation, permettant ainsi d'accélérer la convergence et d'augmenter la précision par rapport à un apprentissage à partir de zéro.
Cet article présente le premier cadre systématique pour détecter et exploiter les vulnérabilités de conformité aux clauses du protocole MCP, révélant ainsi une nouvelle surface d'attaque appelée « abus de compatibilité » qui permet des injections de prompts silencieuses et des dénis de service.
Cet article présente un cadre d'évaluation des risques pour les serveurs MCP open-source, basé sur une analyse statique du code et des taxonomies de menaces, qui révèle l'existence de vulnérabilités exploitables compromettant la sécurité des déploiements d'agents LLM.
Ce papier présente l'Adaptive Activation Cancellation (AAC), un cadre d'inférence en temps réel qui atténue les hallucinations des grands modèles de langage en identifiant et en supprimant sélectivement les activations neuronales associées aux erreurs factuelles, améliorant ainsi la précision sans altérer la fluidité ni les capacités générales du modèle.
Le papier présente Delta-K, un cadre d'inférence plug-and-play qui résout l'omission de concepts dans la génération d'images multi-instances en injectant dynamiquement des clés différentielles extraites par un modèle vision-langage dans l'espace d'attention croisée partagée, améliorant ainsi l'alignement compositionnel sans nécessiter de réentraînement ni de modifications architecturales.
Cette recherche présente un estimateur de force de mot de passe multilingue et piloté par l'IA, optimisé pour les données indiennes et utilisant une détection de similarité Jaro, démontrant que les données générées par ChatGPT surpassent les modèles traditionnels comme PassGAN pour améliorer la sécurité des mots de passe.
Cet article étudie une approximation par diffusion en temps continu des algorithmes de gradient de politique pour les bandits stochastiques à bras, démontrant que des taux de regret optimaux sont atteints avec un taux d'apprentissage spécifique, tout en établissant que des taux linéaires inévitables surviennent sans cette condition même pour un nombre logarithmique de bras.
Cet article propose un cadre de mise à jour des images CBCT en temps réel, utilisant l'échographie robotisée et un réseau neuronal léger (USCorUNet) pour estimer les déformations des tissus mous et corriger les images statiques sans exposition supplémentaire aux rayonnements.
Ce papier propose d'étendre la perte harmonique au-delà de la géométrie euclidienne en évaluant systématiquement diverses métriques de distance sur des modèles de vision et de langage, démontrant que l'utilisation de distances cosinus améliore la précision, la stabilité et la durabilité environnementale par rapport à la perte par entropie croisée.
Cet article présente une méthode d'apprentissage environnemental utilisant une sonde de détection quantique optimisée par circuit pour exploiter les signaux radio, démontrant que cette approche permet une localisation précise sans mesures de canal, une sensibilité accrue aux signaux faibles et une performance supérieure à celle des méthodes classiques malgré une information disponible réduite.