3834 articles
Cette étude propose un pipeline agentic utilisant des LLMs pour générer des rubriques programmatiques qui transforment des données cliniques hétérogènes en formats standardisés, permettant ainsi d'améliorer significativement l'apprentissage supervisé économe en échantillons par rapport aux modèles traditionnels et aux fondations cliniques.
Ce papier propose des méthodes de renforcement préservant l'entropie, telles que REPO et ADAPO, pour contrer la réduction naturelle de la diversité des trajectoires dans les algorithmes de gradient de politique, permettant ainsi d'obtenir des modèles plus performants et capables d'apprentissage séquentiel.
Ce papier propose un cadre novateur d'inférence causale pour la synthèse vocale text-to-speech, basé sur l'entraînement contrefactuel des paramètres prosodiques dans FastSpeech2, afin de mieux dissocier l'émotion du contenu linguistique et d'améliorer le contrôle et l'expressivité de la parole générée.
Ce papier présente SemBench, un cadre universel et léger permettant d'évaluer automatiquement la compréhension sémantique des grands modèles de langage dans plusieurs langues en générant des benchmarks synthétiques à partir uniquement de définitions de dictionnaire, sans nécessiter de phrases d'exemples manuellement curatées.
Cette proposition introduit un canal logique explicite parallèle aux modèles MLLM en boîte noire pour valider, sélectionner et améliorer leurs performances en tâches zero-shot grâce à un raisonnement logique probabiliste et à une mesure de cohérence croisée, renforçant ainsi leur fiabilité et leur explicabilité.
Ce papier présente STAIRS-Former, une architecture Transformer innovante intégrant des hiérarchies spatio-temporelles et un mécanisme de dropout de tokens pour surmonter les défis de l'apprentissage par renforcement multi-agents hors ligne multi-tâches, surpassant ainsi les méthodes existantes sur plusieurs benchmarks.
Cet article présente OSCBench, une nouvelle norme d'évaluation conçue pour mesurer la capacité des modèles de génération vidéo à partir de texte à réaliser des changements d'état d'objets spécifiques, révélant ainsi que les modèles actuels peinent à gérer ces transformations temporelles cohérentes, en particulier dans des scénarios nouveaux ou compositionnels.
Ce papier propose une loi d'échelle pour les agents éducatifs basée sur la richesse structurelle de profils définis en JSON, démontrant que l'amélioration des performances repose davantage sur la clarté des rôles, la profondeur des compétences et l'injection d'expertise que sur la simple augmentation de la taille des modèles.
Cette étude présente un nouveau jeu de données et démontre que l'analyse de l'activité musculaire faciale et cervicale via l'EMG de surface permet de décoder avec fiabilité les états affectifs, notamment la frustration, tant dans la parole phonée que silencieuse, ouvrant ainsi la voie à des interfaces de parole silencieuse sensibles aux émotions.
Ce papier propose une architecture de système d'exploitation agentique pour les hôpitaux, basée sur OpenClaw, qui intègre un environnement d'exécution restreint, une mémoire à indexation par page et une bibliothèque de compétences médicales pour permettre le déploiement sécurisé et transparent d'agents LLM dans les flux de travail cliniques.
Cet article présente l'algorithme TAD (Transfer Aware Dijkstra), une modification de Dijkstra capable de gérer les temps d'attente aux arrêts et les transferts illimités de manière optimale, surpassant ainsi les performances de l'algorithme MR sur des réseaux réels comme ceux de Londres et de la Suisse.
Cette étude révèle que, bien que GPT-5 ne propose pas de postes différents selon le genre pour des diplômés italiens, il perpétue des biais de genre en attribuant des traits émotionnels aux femmes et des qualités analytiques aux hommes, soulevant ainsi des préoccupations éthiques quant à l'utilisation de l'IA générative dans le recrutement.
Ce papier présente CINDI, un cadre probabiliste non supervisé basé sur des flux normalisants conditionnels qui unifie la détection d'anomalies et l'imputation pour restaurer l'intégrité des données de séries temporelles multivariées dans les réseaux électriques.
Cette étude démontre que la préférence des modèles de langage pour l'information correcte n'est pas une quête intrinsèque de vérité, mais plutôt un effet secondaire de la pression de compression qui favorise les hypothèses offrant les descriptions les plus courtes et cohérentes des données d'entraînement.
Cet article propose une méthode d' détection d'anomalies dans les séries temporelles multivariées qui, au lieu de se baser sur la vraisemblance dans l'espace d'observation, introduit des biais inductifs dans l'espace latent de flux normalisants conditionnels pour définir les anomalies comme des violations de dynamiques temporelles prescrites, permettant ainsi une détection fiable et interprétable même pour des échantillons à forte vraisemblance.
Cet article propose un algorithme d'apprentissage par bandit social fondé sur l'énergie libre qui permet à un agent d'identifier et d'exploiter efficacement les compétences d'agents non experts et diversifiés sans connaissance de leurs récompenses, garantissant ainsi une convergence théorique vers la politique optimale et une amélioration significative des performances d'apprentissage individuel.
Cet article propose une analyse approfondie et une taxonomie des qualificatifs Wikidata, basée sur leur fréquence et leur diversité, afin d'améliorer leur utilisation, leur recommandation et la conception du graphe de connaissances.
Cet article propose le cadre SSGM (Stabilité et Sécurité Gouvernées de la Mémoire) pour atténuer les risques émergents de corruption, de dérive sémantique et de fuite de données dans les systèmes de mémoire à long terme des agents LLM en découplant l'évolution de la mémoire de son exécution via des mécanismes de vérification et de contrôle dynamique.
Cet article présente NETHIC, un outil de classification automatique de textes qui combine des réseaux de neurones évolutifs et des taxonomies hiérarchiques, dont les performances ont été améliorées par l'intégration d'un mécanisme d'encodage de documents.
Cet article présente la DCI, un cadre d'intelligence collective structurée qui améliore significativement la résolution de tâches complexes grâce à des actes épistémiques typés et à des rapports de minorité, bien que cette approche soit coûteuse en tokens et moins performante sur les décisions routinières.