5087 articles
Ce papier formalise un test de résistance macro-financier démontrant que l'adoption rapide de l'IA risque de provoquer une crise explosive non pas par un effondrement de la productivité, mais par un décalage structurel où l'abondance générée par l'IA coexiste avec une insuffisance de la demande due à la baisse des revenus du travail et à la compression des marges d'intermédiation.
Le papier présente PrivPRISM, un cadre automatisé qui révèle des incohérences majeures entre les déclarations de sécurité des données et les politiques de confidentialité sur Google Play, exposant ainsi des pratiques trompeuses et des risques de non-conformité réglementaire pour des milliers d'applications populaires.
Ce travail propose un cadre de simulation évolutive intégrant un modèle musculo-squelettique humain piloté par l'apprentissage par renforcement pour permettre l'analyse quantitative et l'optimisation conjointe de la conception mécanique et du contrôle des robots interactifs, comme en témoigne son application réussie à l'amélioration des exosquelettes.
Ce papier présente BD-FDG, un cadre de génération de données d'entraînement basé sur la taxonomie de Bloom qui permet d'adapter efficacement un grand modèle de langage au domaine complexe de la conscience situationnelle spatiale en surmontant les limites des jeux de données existants grâce à une structuration cognitive hiérarchisée et un contrôle qualité automatisé.
Le papier présente BridgeDiff, un cadre basé sur la diffusion qui améliore la synthèse de vêtements plats pour les essais virtuels en comblant le fossé entre les observations humaines et les représentations canoniques grâce à un module de conditionnement des vêtements et un module de contrainte structurelle.
Le papier présente Social-R1, un cadre d'apprentissage par renforcement qui, combiné au benchmark adversarial ToMBench-Hard, permet à un modèle de langage de 4 milliards de paramètres de surpasser des modèles plus grands en matière de raisonnement social grâce à un alignement trajectoriel multi-dimensionnel de la cognition humaine.
Cette étude propose une approche multi-modèle basée sur l'apprentissage profond et la vision par ordinateur pour améliorer la sécurité et la fiabilité des véhicules autonomes en intégrant la détection de panneaux, de véhicules et de voies ainsi que l'apprentissage comportemental via des réseaux de neurones pré-entraînés et des techniques d'augmentation de données.
Le papier présente Logos, un modèle de raisonnement moléculaire compact et évolutif qui intègre un raisonnement logique transparent et des contraintes chimiques strictes pour garantir la validité des structures générées, surpassant ainsi les grands modèles de langage tout en permettant une inspection humaine du processus de conception.
Ce papier présente DendroNN, un réseau de neurones bio-inspiré qui exploite les mécanismes de détection de séquences des dendrites pour classifier efficacement des données événementielles via une phase de ré câblage sans gradient et une architecture matérielle asynchrone, surpassant ainsi les solutions neuromorphiques existantes en termes d'efficacité énergétique.
Le papier présente DenoiseSplat, une méthode de splatting gaussien 3D feed-forward capable de reconstruire des scènes à partir d'images multivues bruitées en s'entraînant uniquement sur des rendus 2D propres, surpassant ainsi les approches existantes sur un nouveau benchmark bruité dérivé de RE10K.
Cette étude démontre que la conception de l'échelle de confiance utilisée par les LLMs influence directement la qualité de leur incertitude verbalisée, révélant que des échelles plus granulaires (comme 0-20) améliorent leur métacognition par rapport à l'échelle standard 0-100, qui souffre d'une forte discrétisation et de biais de préférence pour les nombres ronds.
Ce papier remet en cause l'hypothèse de linéarité dans le pilotage des grands modèles de langage en démontrant que les espaces d'activation présentent des distorsions géométriques significatives, et propose une méthode de « Curveball steering » non linéaire basée sur l'ACP à noyau polynomial pour mieux respecter cette géométrie intrinsèque et améliorer les performances de contrôle.
L'article présente CLoE, un cadre d'apprentissage par consistance des experts qui améliore la segmentation des images médicales multimodales en cas de modalités manquantes en assurant l'accord entre les experts aux niveaux global et régional, tout en recalibrant dynamiquement les caractéristiques selon leur fiabilité.
Ce papier présente SpaceSense-Bench, un benchmark multi-modal à grande échelle généré par simulation haute fidélité pour l'apprentissage de la perception et de l'estimation de pose des engins spatiaux, mettant en évidence l'importance cruciale de la diversité des données pour surmonter les limitations actuelles des méthodes face à de nouvelles cibles et à des composants de petite taille.
Cette étude propose un pipeline d'interaction VR intégrant la reconnaissance des émotions vocales dans le contexte des agents conversationnels, démontrant qu'informer les modèles de langage de l'état émotionnel de l'utilisateur améliore significativement la qualité, le naturel et l'engagement des échanges.
Le papier présente TimberAgent, une méthode de contrôle d'effets audio basée sur la récupération guidée par la grammaire (TRR) qui utilise des matrices de Gram issues de Wav2Vec2 pour combler l'écart sémantique entre l'intention de l'utilisateur et les paramètres de traitement du signal, démontrant ainsi une supériorité sur les méthodes existantes pour la génération de configurations de plugins éditable.
Ce papier présente le benchmark STAR, un cadre d'évaluation multi-agents en environnement zéro somme qui révèle que la supériorité stratégique des LLMs dépend d'un équilibre critique entre la profondeur du raisonnement et la rapidité d'exécution, les modèles plus rapides surpassant souvent les modèles de raisonnement dans les scénarios en temps réel.
Le papier présente TaSR-RAG, un cadre de raisonnement structuré guidé par une taxonomie qui améliore les systèmes RAG en décomposant les requêtes complexes en séquences de triples relationnels pour une sélection de preuves plus précise et un raisonnement multi-sauts plus fiable, sans nécessiter de construction de graphes coûteuse.
Ce papier propose la Robust Regularized Policy Iteration (RRPI), une méthode d'apprentissage par renforcement hors ligne qui traite l'incertitude de transition via une optimisation robuste régularisée par KL pour garantir une convergence monotone et améliorer la performance sur les environnements D4RL en évitant les actions hors distribution.
Ce papier propose TA-GGAD, un modèle graphique fondamental adaptatif qui résout le problème de décalage de domaine dans la détection d'anomalies en modélisant la « désassortativité des anomalies » pour atteindre un état de l'art généralisable sur divers graphes réels avec un seul entraînement.