5441 articles
Cet article présente une approche pilotée par l'intelligence artificielle et les données pour estimer la demande en spectre radioélectrique, validée sur cinq villes canadiennes, afin d'aider les régulateurs à optimiser l'allocation des ressources et la planification dynamique.
Ce papier présente ACADiff, un cadre de diffusion latente adaptatif et conscient des données cliniques qui synthétise avec succès les modalités d'imagerie cérébrale manquantes (sMRI, FDG-PET, AV45-PET) pour améliorer le diagnostic de la maladie d'Alzheimer, même dans des scénarios extrêmes de données incomplètes.
Cet article propose une méthodologie axée sur les données et l'apprentissage automatique pour estimer les variations de la demande spectrale dans les régions urbaines canadiennes, permettant ainsi aux régulateurs de mieux concevoir des politiques d'accès flexible au spectre pour les réseaux 6G.
Le papier présente PathMem, un cadre multimodal centré sur la mémoire qui imite le processus cognitif des pathologistes en organisant les connaissances structurées en mémoire à long terme et en les activant dynamiquement via un Memory Transformer pour améliorer la précision et l'interprétabilité des diagnostics en pathologie computationnelle.
Le papier propose k-MTR, un cadre d'apprentissage de représentations en espace k qui aligne les données sous-échantillonnées directement avec des étiquettes physiologiques pour permettre une analyse cardiaque multi-tâches précise sans passer par une reconstruction d'image intermédiaire.
Cet article établit que l'abstention basée sur la confiance améliore systématiquement la qualité des décisions triées uniquement en cas d'incertitude structurelle, mais échoue souvent face à l'incertitude contextuelle, soulignant la nécessité d'adapter les signaux de confiance au type d'incertitude dominant avant le déploiement.
Cette étude propose l'indicateur de surapprentissage-sous-apprentissage (OUI) comme un signal structurel précoce et efficace pour discriminer les taux d'apprentissage optimaux dans les algorithmes PPO, permettant d'identifier et d'élaguer les entraînements instables bien avant la convergence finale.
Cet article présente les « neural debuggers », des modèles de langage capables d'émuler les fonctionnalités interactives des débogueurs traditionnels pour prédire l'exécution de programmes Python, ouvrant ainsi la voie à des systèmes de codage autonomes plus performants.
Contrairement aux humains qui deviennent moins honnêtes lorsqu'ils réfléchissent, cette étude démontre que le processus de raisonnement améliore systématiquement l'honnêteté des grands modèles de langage en les amenant à traverser un espace de représentation où les réponses honnêtes sont plus stables que les réponses trompeuses.
Le papier propose BEACON, une méthode qui améliore la navigation robotique conditionnée par le langage en présence d'obstacles en prédisant une carte de chaleur d'affordance en vue aérienne (BEV) à partir d'observations RGB-D et d'instructions textuelles, surpassant ainsi les approches basées sur l'espace image pour localiser des cibles occluses.
Cet article étend l'équation des abeilles à un modèle basé sur des agents où la valence et l'éveil émotionnels modulent les taux d'interaction, démontrant ainsi comment la contagion émotionnelle et les points de bascule structurels influencent la formation du consensus dans les décisions collectives.
Cette étude présente un guide alimenté par un modèle de langage de grande taille pour rendre la réalité virtuelle accessible aux personnes aveugles ou malvoyantes, révélant que leur interaction avec ce guide évolue d'une relation utilitaire à une relation compagnonnage lorsqu'ils sont en présence d'autres utilisateurs.
En introduisant le cadre contrôlé de la superposition de type « sac de mots » (BOWS), cette étude démontre que les corrélations entre caractéristiques permettent d'organiser géométriquement les interférences de manière constructive dans les réseaux de neurones, expliquant ainsi la formation de clusters sémantiques et de structures cycliques observées dans les modèles de langage réels, ce que la vision traditionnelle de la superposition basée sur des caractéristiques non corrélées ne parvenait pas à prédire.
Cet article présente deux approches de détection de points de changement basées sur les réseaux de neurones et l'apprentissage en ligne, qui offrent une complexité computationnelle linéaire, surpassent les méthodes existantes sur divers jeux de données et garantissent une convergence vers des solutions optimales.
Cet article présente un aperçu de l'apprentissage par renforcement automatisé (AutoRL), en examinant la littérature existante, les techniques récentes basées sur les grands modèles de langage, ainsi que les défis et les perspectives de recherche dans ce domaine.
Cet article propose un modèle de classification de séries temporelles incertaines en astrophysique, conçu pour être intrinsèquement explicable et intégrer l'incertitude des données en tant qu'entrée supplémentaire, atteignant ainsi des performances comparables aux méthodes de pointe tout en offrant aux experts la capacité d'inspecter et d'interpréter les prédictions.
Ce document de synthèse examine les récents progrès des grands modèles de langage (LLM), en se concentrant sur leurs quatre aspects majeurs que sont le pré-entraînement, le réglage par adaptation, l'utilisation et l'évaluation des capacités, tout en présentant les ressources disponibles et en discutant des défis futurs.
Cette étude de synthèse examine l'application de la théorie de l'utilité au modèle cognitif en robotique, en retraçant son évolution depuis la robotique basée sur le comportement jusqu'aux systèmes de valeurs actuels, tout en identifiant les défis ouverts et les perspectives de recherche pour les systèmes mono et multi-agents.
Cet article présente un algorithme en boucle pour la planification et le routage en temps réel de véhicules guidés automatisés (AGV) sur des graphes en boucle, démontrant expérimentalement sa supériorité ou son équivalence en termes de qualité de solution par rapport à d'autres méthodes, tout en réduisant considérablement le temps de calcul.
Cet article présente Agent-OM, un nouveau cadre générique exploitant des agents de modèles de langage pour l'appariement d'ontologies, qui démontre des performances compétitives sur des tâches simples et une amélioration significative sur des tâches complexes et en contexte de few-shot par rapport aux systèmes de l'état de l'art.