4819 articles
Le papier présente EvoKernel, un cadre d'agents auto-évolutif qui surmonte le manque de données pour la synthèse de noyaux NPU en utilisant une approche de mémoire basée sur la valeur pour passer du brouillage initial au raffinement continu, améliorant ainsi considérablement la justesse et les performances des modèles de langage.
Cet article présente un filtre à particules intégrant des repères sémantiques (troncs et poteaux) avec un LiDAR 2D et un GNSS pour résoudre le problème de l'ambiguïté perceptuelle entre les rangs parallèles et améliorer la localisation robuste des robots dans les vignobles.
Ce papier propose , un modèle de valeur généraliste qui fusionne de manière adaptative un prior pré-entraîné avec des moyennes empiriques issues de rollouts épars, en utilisant des tests statistiques en temps réel pour allouer dynamiquement le budget de calcul et ainsi minimiser la variance et le biais afin d'améliorer significativement la convergence et les performances des politiques d'apprentissage par renforcement.
Ce papier présente GRACE, un simulateur et une plateforme de référence unifiés pour la planification de trajectoires multi-robots en 2D, permettant des comparaisons transparentes et reproductibles entre les approches basées sur des grilles, des cartes de routes et des environnements continus.
Cet article présente un corpus bilingue anglais-allemand annoté avec la Norme d'Autorité Intégrée (GND) et une taxonomie machine-actionable, conçus pour faciliter le classement automatique des notices de bibliothèque et le développement de copilotes d'IA transparents et ancrés dans l'autorité pour assister les catalogueurs.
Cette étude présente un modèle Diffusion Transformer paramétriquement efficace qui génère des séquences d'ADN régulateur spécifiques aux types cellulaires avec une convergence accélérée, une réduction du mémorisation des données et une activité régulatrice prédite nettement améliorée grâce à un affinage par DDPO.
Cet article propose l'échantillonnage prédictif dynamique (DPS), une méthode qui modélise la progression d'apprentissage des prompts comme un système dynamique pour prédire et sélectionner en ligne les exemples les plus informatifs avant les rollouts coûteux, réduisant ainsi considérablement la surcharge computationnelle et accélérant le finetuning par apprentissage par renforcement des grands modèles de raisonnement.
Ce papier présente PharmGraph-Auditor, un cadre hybride innovant qui combine une base de connaissances pharmaceutiques unifiée (HPKB) et une méthode de vérification par chaîne (CoV) pour transformer les grands modèles de langage en moteurs de raisonnement transparents et fiables, afin d'améliorer la sécurité et la traçabilité de la vérification des ordonnances.
LookaheadKV est un cadre d'éviction de cache KV léger qui prédit l'importance future des tokens sans génération explicite, offrant ainsi une précision supérieure aux méthodes existantes tout en réduisant considérablement les coûts de calcul et le temps de génération initial.
Cette étude démontre que le fine-tuning LoRA d'un modèle de langage compact (Qwen-0.5B) améliore significativement la fidélité vocale, la qualité perceptive et le rapport signal sur bruit dans les systèmes TTS, à condition que les données d'entraînement présentent une diversité acoustique suffisante.
Ce papier propose une méthode d'entraînement par consensus historique, basée sur une sélection itérative de priors à mélange gaussien, qui élimine définitivement l'effondrement postérieur dans les autoencodeurs variationnels en créant une barrière historique stable qui exclut les solutions dégénérées, et ce sans nécessiter de conditions de stabilité explicites ni de contraintes architecturales.
Ce papier propose RAD, un cadre d'alignement novateur qui remplace les contraintes de coût espéré par des contraintes de dominance stochastique du premier ordre optimisées via le transport optimal, permettant ainsi un contrôle universel des risques spectraux et une meilleure robustesse face aux événements rares et aux distributions hors domaine.
Ce papier propose la méthode CCGE, une approche d'exploration guidée par la couverture des contacts qui améliore l'efficacité de l'apprentissage par renforcement profond pour la manipulation dextre généraliste en encourageant la découverte de nouveaux schémas de contact et en facilitant le transfert vers des systèmes robotiques réels.
Le papier présente GroundCount, un cadre qui améliore la précision du comptage des modèles vision-langage en intégrant des données de détection d'objets pour atténuer les hallucinations, démontrant que l'ancrage spatial explicite surpasse la fusion de caractéristiques implicite tout en réduisant le temps d'inférence.
Cet article démontre que l'intégration de l'intelligence artificielle, notamment via l'apprentissage automatique et le traitement du langage naturel, agit comme un catalyseur essentiel pour optimiser les méthodologies Agile, automatiser les tâches répétitives et favoriser l'innovation dans le génie logiciel.
Cet article examine les défis méthodologiques que posent les propriétés dynamiques des systèmes d'IA de pointe pour les études d'amélioration humaine par essais contrôlés randomisés, en synthétisant les solutions pratiques proposées par des experts pour garantir la validité de ces évaluations dans des décisions à haut risque.
Cette étude interdisciplinaire démontre que les modèles de vision-langage prédisent les styles artistiques en s'appuyant sur des concepts visuels cohérents et pertinents qui, dans 73 % des cas, correspondent aux critères d'analyse des historiens de l'art.
Ce papier présente IsalGraph, une méthode qui encode la structure de tout graphe fini simple en une chaîne de caractères compacte et isomorphe-invariante, permettant des applications efficaces en recherche de similarité, génération de graphes et modélisation par langage.
Le papier présente V2M-Zero, une méthode de génération de musique à partir de vidéo sans données appariées qui assure un alignement temporel en exploitant les structures de changement communes entre les modalités via des courbes d'événements intra-modales, surpassant ainsi les approches basées sur des données appariées.
Ce papier présente NeFTY, un cadre de physique différentiable qui permet la reconstruction 3D quantitative des propriétés matérielles et la détection de défauts souterrains à partir de mesures thermiques de surface, en surmontant les limitations des approches traditionnelles et des réseaux de neurones physiques contraints.