2393 articles
Cet article présente un aperçu de l'apprentissage par renforcement automatisé (AutoRL), en examinant la littérature existante, les techniques récentes basées sur les grands modèles de langage, ainsi que les défis et les perspectives de recherche dans ce domaine.
Cet article propose un modèle de classification de séries temporelles incertaines en astrophysique, conçu pour être intrinsèquement explicable et intégrer l'incertitude des données en tant qu'entrée supplémentaire, atteignant ainsi des performances comparables aux méthodes de pointe tout en offrant aux experts la capacité d'inspecter et d'interpréter les prédictions.
Ce document de synthèse examine les récents progrès des grands modèles de langage (LLM), en se concentrant sur leurs quatre aspects majeurs que sont le pré-entraînement, le réglage par adaptation, l'utilisation et l'évaluation des capacités, tout en présentant les ressources disponibles et en discutant des défis futurs.
Cette étude de synthèse examine l'application de la théorie de l'utilité au modèle cognitif en robotique, en retraçant son évolution depuis la robotique basée sur le comportement jusqu'aux systèmes de valeurs actuels, tout en identifiant les défis ouverts et les perspectives de recherche pour les systèmes mono et multi-agents.
Cet article présente un algorithme en boucle pour la planification et le routage en temps réel de véhicules guidés automatisés (AGV) sur des graphes en boucle, démontrant expérimentalement sa supériorité ou son équivalence en termes de qualité de solution par rapport à d'autres méthodes, tout en réduisant considérablement le temps de calcul.
Cet article présente Agent-OM, un nouveau cadre générique exploitant des agents de modèles de langage pour l'appariement d'ontologies, qui démontre des performances compétitives sur des tâches simples et une amélioration significative sur des tâches complexes et en contexte de few-shot par rapport aux systèmes de l'état de l'art.
Cet article propose une revue de la littérature sur les tests adaptatifs informatisés sous l'angle de l'apprentissage automatique, en examinant comment ces techniques peuvent optimiser les modèles de mesure, la sélection des questions et le contrôle des tests pour créer des systèmes d'évaluation plus robustes, équitables et efficaces.
Ce papier présente FEX, un nouveau cadre d'explication rapide basé sur le gradient de politique qui représente les attributions par des distributions de probabilité, permettant de réduire le temps d'inférence de plus de 97 % et l'utilisation de la mémoire de 70 % tout en maintenant une haute qualité d'explication pour des tâches de classification d'images et de texte.
Cet article identifie et modélise théoriquement une phase de « corruption » lors du fine-tuning à peu d'exemples de modèles de diffusion, puis propose une solution basée sur les réseaux de neurones bayésiens qui atténue ce phénomène et améliore la fidélité et la diversité des images générées sans coût d'inférence supplémentaire.
LAMBDA est un agent de données open-source et sans code basé sur des modèles de langage, qui orchestre un programmeur et un inspecteur pour générer et déboguer automatiquement du code, tout en permettant une intervention humaine et l'intégration de connaissances externes pour faciliter l'analyse de données.
Ce papier présente OTAD, un nouveau modèle de défense robuste qui combine l'entraînement de réseaux de neurones avec une régularisation par transport optimal et l'interpolation via un problème d'intégration convexe pour garantir une continuité de Lipschitz locale tout en maintenant une grande expressivité.
Cet article propose une méthode d'échantillonnage par importance recuit (AIS) couplée à une reparamétrisation efficace pour surmonter les limitations des modèles latents à processus gaussiens (GPLVM) dans les espaces de grande dimension, permettant ainsi d'obtenir des bornes variationnelles plus serrées et une convergence plus robuste que les méthodes actuelles.
Cet article présente le MLVAS, un système multimodal innovant qui combine l'analyse vidéo et audio pour extraire automatiquement des segments clés et des métriques objectives afin d'assister le diagnostic clinique de la paralysie des cordes vocales.
Cet article examine comment l'intelligence artificielle transforme le génie logiciel en automatisant la génération et la validation des cas de test pour améliorer l'efficacité, la précision et l'évolutivité, tout en abordant les défis liés à la qualité des données et à la nécessité d'une supervision humaine.
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.