2385 articles
Cet article présente les Processus de Student-t Variationnels Épars (SVTP), un cadre novateur qui étend la méthode des points d'induction aux processus de Student-t pour offrir une modélisation robuste des queues lourdes et des valeurs aberrantes, surpassant les processus gaussiens épars en précision et en vitesse de convergence tout en restant efficace sur de grands jeux de données.
Ce papier propose un cadre unifié qui modélise la quantification et l'éparpillement comme du bruit additif et introduit une transformée de déquantification débruyante pour établir un chemin de gradient explicite, permettant ainsi l'entraînement robuste de réseaux de neurones à des précisions arbitraires et à des niveaux d'éparpillement extrêmes, y compris en dessous d'un bit.
Le papier présente DRUPI, une méthode de condensation de dataset qui améliore l'efficacité de l'apprentissage en synthétisant, en plus des données réduites, des informations privilégiées (telles que des étiquettes de caractéristiques ou d'attention) servant de supervision auxiliaire.
Le papier présente LayoutDreamer, un cadre innovant guidé par la physique et les graphes de scène qui utilise le 3D Gaussian Splatting pour générer des scènes 3D compositionnelles de haute qualité, physiquement plausibles et hautement contrôlables à partir de descriptions textuelles.
Ce papier présente Astromer 2, un modèle fondamental amélioré pour l'analyse de courbes de lumière qui, grâce à un pré-entraînement auto-supervisé sur 1,5 million de courbes et l'utilisation d'embeddings pondérés, surpasse significativement son prédécesseur Astromer 1 en classification, notamment dans des scénarios à données limitées.
Cet article propose une méthodologie pratique basée sur la notion de « signature spatiale » d'un ensemble de données pour évaluer et garantir la robustesse des évaluations de données par semi-valeurs face aux variations du choix de l'utilité.
Le papier présente MKE-Coder, un nouveau cadre qui améliore le codage automatique des maladies (CIM) dans les dossiers médicaux électroniques chinois en intégrant des connaissances multi-axes et en vérifiant les preuves cliniques pour surmonter les défis linguistiques et structurels spécifiques.
Ce papier présente LLM-Advisor, un cadre innovant utilisant des modèles de langage comme conseillers post-traitement pour optimiser l'efficacité énergétique de la planification de trajectoire robotique sur des terrains hétérogènes, comblant ainsi les lacunes en raisonnement spatial des LLMs seuls.
Le papier présente HyConEx, un classifieur basé sur des hyperréseaux conçu pour les données tabulaires, qui génère simultanément des prédictions et des explications locales sous forme d'exemples contrefactuels, comblant ainsi le vide laissé par l'absence de classifieurs interprétables produisant directement des échantillons contrefactuels.
Cet article propose une approche théorique fondée sur la théorie des catégories, utilisant un « foncteur d'explication » pour garantir la cohérence et la fidélité des règles logiques extraites par les méthodes d'IA explicable, comblant ainsi le fossé entre les explications générées et le raisonnement réel des modèles opaques.
Le papier présente GateLens, un agent LLM innovant qui utilise l'algèbre relationnelle comme représentation intermédiaire formelle pour améliorer la fiabilité et l'efficacité de l'analyse de données tabulaires complexes dans le secteur automobile, surpassant les approches traditionnelles tout en réduisant considérablement le temps d'analyse.
Cet article propose une critique conséquentialiste des méthodes d'évaluation binaire en machine learning, démontrant par une revue empirique et un nouveau cadre théorique que les règles de score appropriées comme le score Brier sont supérieures aux métriques à seuil fixe, tout en fournissant l'outil logiciel `briertools` et une variante tronquée pour faciliter leur adoption pratique.
Ce papier présente MCP Bridge, un proxy RESTful léger et agnostique aux LLM qui surmonte les limitations des implémentations MCP actuelles en permettant leur exécution sur des environnements contraints avec des contrôles de sécurité avancés, tout en démontrant qu'un modèle Qwen3 finement ajusté avec des techniques d'apprentissage par renforcement dépasse les performances des modèles baselines sur le benchmark MCPToolBench++.
L'article présente la SGPO, une méthode qui améliore l'optimisation par politique relative de groupe (GRPO) en intégrant un juge étape par étape pour exploiter les signaux d'apprentissage des groupes de réponses entièrement incorrects, comblant ainsi une lacune majeure de l'apprentissage par renforcement dans le raisonnement des grands modèles de langage.
Ce papier présente MathQ-Verify, un pipeline à cinq étapes innovant qui valide rigoureusement la formulation des problèmes mathématiques pour filtrer les questions mal posées, améliorant ainsi la qualité des données d'entraînement et les performances des modèles de raisonnement.
L'article présente UltraEdit, une méthode de mise à jour des connaissances dans les grands modèles de langage qui, sans nécessiter de réentraînement, de suivi des sujets ni de mémoire externe, permet une édition en temps réel ultra-rapide et économe en ressources tout en supportant jusqu'à deux millions de modifications grâce à une stratégie de normalisation continue.
Le papier présente Saturn, un cadre d'apprentissage par renforcement basé sur les problèmes de satisfaisabilité booléenne (SAT) qui surmonte les limitations d'évolutivité, de vérification et de contrôle de difficulté des tâches existantes pour améliorer significativement les capacités de raisonnement des grands modèles de langage.
Le papier présente Daily-Omni, un nouveau benchmark audio-visuel conçu pour évaluer la capacité des modèles de langage multimodaux à réaliser un raisonnement temporel synchronisé entre l'audio et la vidéo, révélant ainsi que les modèles actuels peinent encore à maîtriser cette alignement croisé essentiel.
Cet article présente la première revue systématique de l'intégration des modèles de fondation dans la robotique de service mobile, en analysant comment ces technologies surmontent les défis techniques et éthiques pour permettre une exécution de tâches adaptative et sûre dans des environnements réels.
Ce papier présente TSRating, un cadre unifié qui exploite le jugement de grands modèles de langage (LLM) et un apprentissage méta pour évaluer efficacement la qualité de données de séries temporelles provenant de domaines diversifiés, surpassant ainsi les méthodes existantes en précision et en adaptabilité.