5546 articles
Cet article propose une réévaluation rigoureuse de l'efficacité énergétique des réseaux de neurones à impulsions (SNN) en comparant des modèles équivalents à des réseaux de neurones quantifiés (QNN) via un modèle analytique complet, révélant ainsi les conditions spécifiques où les SNN surpassent réellement les QNN et peuvent doubler l'autonomie des appareils portables.
Cet article propose un réseau d'oscillateurs couplés (CON) qui modélise la dynamique des systèmes physiques dans un espace latent sous forme lagrangienne avec une stabilité prouvée, permettant ainsi un contrôle basé sur des modèles en boucle fermée performant utilisant uniquement des images brutes.
Ce papier propose BNEM, un échantillonneur Boltzmann innovant basé sur l'apprentissage de l'énergie de données bruitées via un processus de diffusion et une technique de bootstrap, qui surpasse les méthodes existantes en termes de performance et de robustesse pour générer des échantillons IID.
Ce papier présente PiVOT, un nouveau mécanisme de prompt visuel pour le suivi d'objets générique qui exploite le modèle fondamental CLIP pour générer et affiner dynamiquement des prompts en ligne, permettant ainsi au suiveur de mieux supprimer les distracteurs et d'améliorer ses performances.
Cet article propose un cadre d'équations différentielles à retard neuronal (NDDE) inspiré du formalisme de Mori-Zwanzig pour apprendre efficacement des dynamiques non markoviennes à partir de systèmes partiellement observables, surpassant ainsi les méthodes existantes comme les réseaux LSTM et les ANODEs.
Ce papier présente Puppet-CNN, un cadre qui modélise les paramètres des réseaux de neurones convolutifs comme un système dynamique continu régi par une équation différentielle ordinaire, permettant ainsi une adaptation de la profondeur du réseau à la complexité de l'entrée tout en réduisant considérablement le nombre de paramètres entraînables.
Ce papier propose un cadre de diffusion adaptatif qui ajuste dynamiquement la trajectoire de génération en fonction de la complexité de chaque échantillon, permettant ainsi de réduire le nombre d'étapes d'échantillonnage tout en maintenant la qualité des images générées.
Cette étude démontre que des agents algorithmiques apprenant sans modèle préalable peuvent développer une « collusion naïve » dans des jeux répétés, un phénomène dont l'émergence dépend crucialement de la synchronisation des actions et du type de politique d'apprentissage utilisée, allant de l'absence totale de collusion avec des algorithmes persistamment aléatoires à une collusion systématique avec des algorithmes déterministes comme UCB.
Cet article propose une méthode d'optimisation conjointe de la durée de détection, de la puissance d'émission, de la durée de transmission et de la vitesse d'exploration pour minimiser la consommation énergétique des robots mobiles effectuant une SLAM à long terme avec reconstruction de carte en temps réel par apprentissage profond.
Ce papier présente HarmonicEval, une métrique d'évaluation automatique sans référence capable d'agréger des scores par critère pour évaluer plusieurs tâches multimodales, et introduit le benchmark MMHE basé sur 18 000 jugements humains pour valider la généralisabilité de cette approche.
Cet article propose une méthode permettant d'apprendre des modèles du monde symboliques abstraits à partir de démonstrations visuelles et de modèles vision-langage préentraînés, afin de résoudre par planification des tâches de prise de décision à long horizon dans des environnements robotiques complexes avec une généralisation zéro-shot.
Cet article propose des stratégies de réduction de données basées sur le clustering latent pour optimiser l'entraînement adversaire semi-supervisé, permettant de réduire considérablement les besoins en données non étiquetées et le temps de calcul tout en préservant une robustesse élevée.
Cet article présente un cadre d'ensemble utilisant un seul modèle pour la traduction automatique neuronale, qui améliore la qualité des traductions, notamment pour les paires de langues à ressources limitées, en générant des candidats via une traduction pivot et en les fusionnant postérieurement pour capturer les nuances subtiles de la phrase source.
Cette étude présente GRADIEND, une méthode novatrice d'encodage-décodage utilisant les gradients des réseaux de neurones pour identifier et modifier spécifiquement les biais sociétaux (tels que le genre, la race ou la religion) tout en préservant les autres capacités des modèles.
Cet article propose une nouvelle approche de recherche locale efficace pour découvrir des communautés polarisées dans des réseaux signés, en résolvant le problème du déséquilibre de taille des communautés et en permettant l'existence de nœuds neutres, tout en garantissant une convergence linéaire et des performances supérieures aux méthodes existantes.
Cette étude démontre que l'utilisation de l'adaptation à faible rang (LoRA) dans l'apprentissage fédéré pour les grands modèles de langage réduit considérablement la mémorisation des données d'entraînement, limitant ainsi les risques de fuite d'informations privées sans compromettre les performances du modèle.
Le papier présente Prompt-SID, un cadre d'apprentissage auto-supervisé pour le débruitage d'images uniques qui préserve les détails structurels grâce à un modèle de génération de représentations basé sur la diffusion latente et un mécanisme de réjouissance d'échelle, surpassant les méthodes existantes sur divers jeux de données synthétiques et réels.
Cet article propose un cadre mathématique discret basé sur les partitions grossières et la mesure de divergence KL pour quantifier la perte d'information lors de l'évaluation coarse-grained, offrant ainsi un outil formel pour optimiser les compromis entre précision et interprétabilité dans l'intelligence artificielle explicable.
Ce papier propose le cadre Texts as Time Series (TaTS), qui exploite les propriétés périodiques des textes associés aux séries temporelles pour améliorer les performances de prévision et d'imputation des modèles existants sans modifier leur architecture.
L'article présente LaVCa, une méthode innovante utilisant des modèles de langage pour générer des légendes naturelles précises décrivant la sélectivité des voxels du cortex visuel, surpassant ainsi les approches précédentes en révélant des différenciations fonctionnelles fines et des représentations de concepts multiples.