6076 articles
Cet article propose un nouveau modèle de sélection de caractéristiques nommé FSbuHD, basé sur la théorie des ensembles flous-rough et fonctionnant en modes normal et optimiste, qui reformule le problème en une optimisation via des méta-heuristiques pour surmonter les limitations des méthodes existantes dans les systèmes d'information hybrides.
Ce papier présente NetDiffuser, un cadre novateur utilisant des modèles de diffusion et un algorithme de catégorisation des fonctionnalités pour générer des exemples adverses naturels capables de tromper efficacement les systèmes de détection d'intrusion basés sur l'apprentissage profond.
Cet article propose une ablation complète de neuf familles de bornes pour la prédiction sélective et introduit le « Transfer-Informed Betting », une méthode novatrice qui améliore la quantification de l'incertitude en contextes de données limitées en warm-startant le processus de richesse WSR avec le profil de risque d'un domaine source, surpassant ainsi les méthodes existantes sur plusieurs benchmarks.
Le papier présente FedLECC, une stratégie légère de sélection de clients pour l'apprentissage fédéré qui regroupe les appareils par similarité de distribution d'étiquettes et privilégie ceux ayant une perte locale élevée, améliorant ainsi la précision et réduisant les coûts de communication dans des environnements aux données non indépendantes et non identiquement distribuées (non-IID).
Cet article propose une méthode entièrement différentiable utilisant des portes de Bernoulli relaxées pour découvrir des tickets de loterie forts dans des réseaux de neurones sur-optimisés, permettant d'atteindre jusqu'à 90 % de parcimonie avec une perte de précision minimale sans nécessiter d'estimateurs de gradient non différentiables ni de cycles d'élagage itératifs.
Cette étude démontre que la visibilité des domaines dans les moteurs de recherche génératifs est intrinsèquement stochastique et sujette à une grande variabilité, rendant les mesures ponctuelles trompeuses et soulignant la nécessité d'adopter un cadre statistique incluant des intervalles de confiance pour quantifier correctement l'incertitude.
Cette étude présente un nouveau cadre utilisant des modèles de vision-langage fondationnels pour générer automatiquement des configurations de simulation de plantes à partir d'images de drones, offrant ainsi une solution évolutive pour la création de jumeaux numériques agricoles.
Le système Guardian propose une approche décisionnelle interprétable pour la recherche d'enfants disparus, combinant des chaînes de Markov pour la modélisation des risques spatiotemporels, l'apprentissage par renforcement pour l'optimisation des plans de recherche et des modèles de langage pour la validation automatique de la qualité.
Le papier présente PathoScribe, un cadre unifié piloté par un grand modèle de langage (LLM) qui transforme les archives de pathologie statiques en une bibliothèque vivante et intelligente, permettant la recherche sémantique, la construction automatisée de cohortes et l'aide au diagnostic clinique avec une précision et une efficacité supérieures aux méthodes traditionnelles.
Le papier présente VoxEmo, un benchmark complet pour l'évaluation des modèles de langage audio dans la reconnaissance des émotions, qui propose un protocole d'étiquetage souple et des stratégies d'ensemble pour mieux capturer l'ambiguïté inhérente aux émotions humaines et la subjectivité des annotations.
Cet article propose le concept d'AgentOS, un nouveau paradigme d'exploitation qui remplace les interfaces traditionnelles par une interface naturelle pilotée par des agents intelligents, transformant ainsi le système d'exploitation en un pipeline continu de découverte de connaissances et de fouille de données pour gérer l'intention utilisateur et orchestrer les tâches.
Le papier présente BiCLIP, un cadre simple et efficace qui améliore l'adaptation de domaine des modèles vision-langage en appliquant une transformation géométrique structurée aux caractéristiques multimodales, permettant d'atteindre des performances de pointe sur plusieurs benchmarks avec un nombre minimal de paramètres.
Ce papier présente Guardian, un système end-to-end coordonnant plusieurs modèles de langage spécialisés et un moteur de consensus pour extraire et traiter intelligemment les informations lors des premières heures critiques d'une enquête sur une personne disparue, tout en garantissant une approche auditable et conservatrice.
Cet article présente \texttt{EinSum}, une extension de la notation d'Einstein pour les calculs tensoriels relationnels, permettant de réécrire automatiquement les calculs afin d'exécuter les parties intensives via des noyaux numériques optimisés tout en gérant la grande sparsité des données par des systèmes relationnels.
Ce papier présente la stratégie FaBRIC, qui comble le manque de recherches sur l'analyse de rétro-accessibilité dans les systèmes de feedback neuronal en intégrant de nouveaux algorithmes d'approximation arrière avec les techniques existantes d'analyse avant pour certifier ces systèmes avec une performance supérieure à l'état de l'art.
Ce papier présente le cadre SLoD, qui utilise la diffusion par noyau de chaleur sur des variétés hyperboliques pour définir un opérateur de zoom continu permettant de contrôler la résolution sémantique et de détecter automatiquement les niveaux d'abstraction dans les graphes de connaissances.
Ce papier présente Arbiter, un cadre d'évaluation combinant des règles formelles et un balayage multi-modèles pour détecter des interférences dans les prompts système d'agents de codage LLM, révélant ainsi des vulnérabilités structurelles et des corrélations entre l'architecture des prompts et les types d'échecs.
Cette étude caractérise systématiquement le paysage des menaces des systèmes multi-agents et évalue quantitativement 16 cadres de sécurité, révélant que les solutions actuelles, bien que menées par l'initiative OWASP Agentic Security, offrent une couverture insuffisante, en particulier face aux risques de non-déterminisme et de fuite de données.
Cette étude analyse les disparités de genre dans la détection des deepfakes audio en démontrant que l'évaluation basée uniquement sur des métriques globales comme le taux d'erreur égalisé masque des biais démographiques significatifs, soulignant ainsi la nécessité d'adopter des mesures d'équité spécifiques pour développer des systèmes plus justes et fiables.
Cette présentation propose l'algorithme CMA-ES-IG, qui améliore l'apprentissage des préférences des utilisateurs non experts pour les robots en intégrant explicitement l'expérience utilisateur via la sélection de trajectoires informatives et perceptuellement distinctes, surpassant ainsi les méthodes existantes en termes d'évolutivité, de robustesse et de préférence utilisateur.