2385 articles
Ce papier propose une architecture d'autoencodeur pour le calcul de fonctions distribuées randomisées (DeepRDFC) qui minimise la distance de variation totale par rapport à une distribution cible inconnue en utilisant uniquement des échantillons de données, démontrant ainsi des gains significatifs en charge de communication par rapport aux méthodes de compression traditionnelles.
Cet article propose l'utilisation de « Super Neurons », des activations scalaires extraites des premières couches des modèles vision-langage, pour créer des classificateurs précis et rapides permettant une sortie anticipée du modèle avec un gain de vitesse allant jusqu'à 5,10 fois.
Cet article propose un cadre d'intelligence artificielle innovant pour la planification des réseaux 5G/6G, qui améliore la précision de la prédiction spatiale de la demande de trafic grâce à une stratégie de division contextuelle et une correction d'erreur résiduelle, réduisant ainsi les fuites de données et les erreurs de généralisation.
Cet article propose un modèle hiérarchique à base de réseaux de neurones graphiques (HR-GAT) pour estimer avec précision la demande spectrale à l'échelle fine, réduisant significativement les erreurs de prédiction et les biais spatiaux afin d'optimiser la gestion et le partage du spectre pour les régulateurs.
Ce papier propose un cadre d'évaluation de sécurité spécifique au secteur financier, incluant une métrique de score de risque ajusté (RAHS) et un pipeline de red-teaming automatisé, pour démontrer que les interactions adaptatives prolongées exacerbent les risques de divulgations financières opérationnelles graves chez les grands modèles de langage.
Ce papier propose le développement « Nurture-First » (NFD), un nouveau paradigme qui remplace les approches de codage ou de prompt statique par une croissance progressive des agents via des interactions conversationnelles structurées, permettant la cristallisation continue de l'expertise de domaine tacite en actifs de connaissances réutilisables.
Ce papier présente MCCOP, un cadre d'optimisation qui utilise un modèle de diffusion pré-entraîné dans un espace latent conjoint séquence-structure pour générer des contre-factuels protéiques minimaux et biologiquement plausibles, permettant ainsi d'identifier des mutations spécifiques capables d'améliorer des propriétés telles que la stabilité ou l'activité enzymatique.
Ce papier propose un protocole d'évaluation révélant la faible capacité de discrimination des locuteurs des LLMs conscients de la parole, et introduit une méthode d'augmentation légère intégrant des embeddings ECAPA-TDNN via des adaptateurs LoRA pour doter un LLM d'une capacité de vérification d'identité performante tout en conservant une interface en langage naturel.
Ce papier présente BALD-SAM, un cadre d'apprentissage actif spatial qui adapte le principe d'incertitude épistémique (BALD) à la sélection de prompts pour le modèle SAM, permettant une segmentation interactive automatisée et supérieure aux méthodes humaines sur une large gamme de domaines.
Ce papier présente REFINED-BIAS, un nouveau cadre d'évaluation et un jeu de données conçus pour surmonter les instabilités des méthodes actuelles de conflit d'indices afin de diagnostiquer de manière fiable et interprétable les biais de forme et de texture dans les réseaux de neurones.
Cet article présente une solution pionnière de détection de présence humaine utilisant uniquement le matériel Wi-Fi intégré d'ordinateurs portables commerciaux, grâce à une nouvelle technique de spectre Doppler filtré par portée (RF-DS) et un cadre de traitement adaptatif qui éliminent le besoin de capteurs externes tout en garantissant la confidentialité et une faible complexité computationnelle.
Le papier présente EvoKernel, un cadre d'agents auto-évolutif qui surmonte le manque de données pour la synthèse de noyaux NPU en utilisant une approche de mémoire basée sur la valeur pour passer du brouillage initial au raffinement continu, améliorant ainsi considérablement la justesse et les performances des modèles de langage.
Cet article présente un filtre à particules intégrant des repères sémantiques (troncs et poteaux) avec un LiDAR 2D et un GNSS pour résoudre le problème de l'ambiguïté perceptuelle entre les rangs parallèles et améliorer la localisation robuste des robots dans les vignobles.
Ce papier propose , un modèle de valeur généraliste qui fusionne de manière adaptative un prior pré-entraîné avec des moyennes empiriques issues de rollouts épars, en utilisant des tests statistiques en temps réel pour allouer dynamiquement le budget de calcul et ainsi minimiser la variance et le biais afin d'améliorer significativement la convergence et les performances des politiques d'apprentissage par renforcement.
Ce papier présente GRACE, un simulateur et une plateforme de référence unifiés pour la planification de trajectoires multi-robots en 2D, permettant des comparaisons transparentes et reproductibles entre les approches basées sur des grilles, des cartes de routes et des environnements continus.
Cet article présente un corpus bilingue anglais-allemand annoté avec la Norme d'Autorité Intégrée (GND) et une taxonomie machine-actionable, conçus pour faciliter le classement automatique des notices de bibliothèque et le développement de copilotes d'IA transparents et ancrés dans l'autorité pour assister les catalogueurs.
Cette étude présente un modèle Diffusion Transformer paramétriquement efficace qui génère des séquences d'ADN régulateur spécifiques aux types cellulaires avec une convergence accélérée, une réduction du mémorisation des données et une activité régulatrice prédite nettement améliorée grâce à un affinage par DDPO.
Cet article propose l'échantillonnage prédictif dynamique (DPS), une méthode qui modélise la progression d'apprentissage des prompts comme un système dynamique pour prédire et sélectionner en ligne les exemples les plus informatifs avant les rollouts coûteux, réduisant ainsi considérablement la surcharge computationnelle et accélérant le finetuning par apprentissage par renforcement des grands modèles de raisonnement.
Ce papier présente PharmGraph-Auditor, un cadre hybride innovant qui combine une base de connaissances pharmaceutiques unifiée (HPKB) et une méthode de vérification par chaîne (CoV) pour transformer les grands modèles de langage en moteurs de raisonnement transparents et fiables, afin d'améliorer la sécurité et la traçabilité de la vérification des ordonnances.
LookaheadKV est un cadre d'éviction de cache KV léger qui prédit l'importance future des tokens sans génération explicite, offrant ainsi une précision supérieure aux méthodes existantes tout en réduisant considérablement les coûts de calcul et le temps de génération initial.