2385 articles
Cet article établit un cadre mathématique unifiant les modèles de dérive générative avec les flots de gradient de Wasserstein de divergences approchées par estimation de densité noyale (KDE), prouvant leur équivalence et proposant une stratégie de divergence mixte pour éviter à la fois l'effondrement et le floutage des modes.
Ce papier propose le cadre PRF, une méthode d'apprentissage rétrospectif progressif qui améliore la prédiction de trajectoires de longueur variable en alignant graduellement les caractéristiques d'observations incomplètes avec celles d'observations complètes grâce à des modules de distillation et de récupération.
Cet article présente un cadre novateur permettant aux agents autonomes pilotés par des LLM d'améliorer leurs performances futures en extrayant automatiquement des enseignements structurés de leurs trajectoires d'exécution pour les intégrer dynamiquement dans leur contexte via une mémoire adaptative.
Cet article propose la Récompense d'Espérance Conditionnelle (CER), une méthode d'apprentissage par renforcement qui utilise le modèle de langage lui-même comme vérificateur implicite pour fournir un signal de récompense gradué et applicable à divers domaines de raisonnement, éliminant ainsi le besoin de règles de vérification externes.
Ce papier présente une approche novatrice et explicable pour détecter et éliminer les portes dérobées dans les réseaux de neurones en s'appuyant sur l'analyse des chemins actifs, avec des résultats prometteurs démontrés sur un système de détection d'intrusions.
Cet article propose un cadre novateur qui intercale l'ordonnancement et la planification de mouvement dans une boucle d'apprentissage incrémental, permettant de générer des plans exécutables et sans collision pour la navigation multi-objets dans des espaces partagés en utilisant des retours symboliques pour guider l'ordonnancement vers des solutions réalisables.
Ce papier présente ROVA, un cadre d'entraînement novateur et le benchmark PVRBench conçus pour améliorer la robustesse des modèles de raisonnement vidéo face aux perturbations du monde réel, comblant ainsi l'écart entre les évaluations contrôlées et les déploiements pratiques.
Ce papier propose FAME, une nouvelle méthode d'explications abductives formelles basée sur l'interprétation abstraite qui permet d'obtenir des explications minimales plus concises et plus rapides pour les grands réseaux de neurones, tout en offrant une procédure pour évaluer la qualité de ces explications par rapport à la solution optimale.
Le papier présente DxEvolve, un agent diagnostique auto-évoluant qui comble le décalage entre l'intelligence artificielle actuelle et la cognition clinique en simulant un processus de recherche interactive pour acquérir des examens et transformer l'expérience en apprentissage gouvernable, atteignant ainsi une précision comparable à celle des cliniciens sur des benchmarks comme MIMIC-CDM.
Cet article présente un cadre de modélisation numérique d'humain (DHM) indépendant de la plateforme qui intègre le casque OpenBCI Galea pour le capteur multimodal et l'environnement SuperTux pour l'interaction, afin de fournir une infrastructure reproductible et éthique pour la recherche future en interaction homme-machine et en accessibilité.
Cet article propose la méthode « Contract And Conquer » (CAC), une approche de type boîte noire qui garantit de manière prouvée la génération d'exemples adversariaux pour des réseaux de neurones en combinant la distillation de connaissances sur un jeu de données expansif et une contraction précise de l'espace de recherche, surpassant ainsi les méthodes actuelles sur ImageNet.
Cet article propose une architecture légère pour l'apprentissage fédéré inter-silos qui remplace les preuves cryptographiques lourdes par des « preuves intrinsèques » éphémères, en réutilisant l'injection de portes dérobées pour garantir l'intégrité de l'agrégation tout en préservant l'anonymat et l'utilité du modèle final.
Ce papier propose RandMark, une méthode de filigrane numérique aléatoire intégrée dans les représentations internes des modèles de fondation visuels pour vérifier leur propriété intellectuelle avec une faible probabilité d'erreur de détection.
Le papier présente EvoSchema, une nouvelle benchmark et une taxonomie d'évolution de schéma conçues pour évaluer et améliorer la robustesse des modèles Text-to-SQL face aux changements dynamiques des bases de données, révélant notamment l'impact critique des modifications au niveau des tables.
Cette étude démontre que l'intégration de données liées structurées, notamment via des pages d'entités enrichies et des instructions pour agents, améliore significativement la précision et la qualité des réponses dans les systèmes RAG classiques et agentic, surpassant les approches traditionnelles basées sur du texte brut.
Le papier présente AlphaFlowTSE, un modèle génératif conditionnel en une seule étape pour l'extraction de la parole cible, qui utilise une objective AlphaFlow sans produit Jacobien-vecteur pour améliorer la fidélité de la parole et la généralisation aux mélanges réels tout en réduisant la latence.
Ce papier propose PV-VASM, un cadre probabiliste et agnostique au modèle permettant de vérifier formellement la robustesse des systèmes de détection de fausses voix face aux techniques de synthèse vocale et aux perturbations inconnues.
Cet article présente le CTCNet, un réseau de cognition de trafic aérien guidé par le spectre croisé intégrant des modules d'ancrage sémantique et de compensation spectrale, ainsi que le benchmark Traffic-VQA, pour améliorer la compréhension robuste des scènes de trafic par drone dans des conditions d'éclairage dégradées.
Cet article présente HIR-SDD, un cadre novateur de détection de deepfakes vocaux qui combine les grands modèles de langage audio et un raisonnement de type « chaîne de pensée » issu d'un jeu de données annoté par des humains pour améliorer la généralisation et l'interprétabilité des prédictions.
Le papier présente CUPID, un module plug-in général qui estime conjointement les incertitudes aléatoire et épistémique dans n'importe quel réseau pré-entraîné sans nécessiter de modification ni de réentraînement, offrant ainsi des estimations d'incertitude modulaires, interprétables et agnostiques au modèle pour des systèmes d'IA plus fiables.