3834 articles
Le papier présente HELM, un cadre novateur pour la classification hiérarchique multi-étiquettes d'images de télédétection qui combine des tokens de classe spécifiques à la hiérarchie, des réseaux de convolution graphique et un apprentissage auto-supervisé pour atteindre des performances de pointe, notamment dans des scénarios à faible quantité de données étiquetées.
Cette étude propose une audit de biais mécanistique pour localiser les préjugés démographiques au niveau des têtes d'attention individuelles dans l'encodeur visuel de CLIP, démontrant que l'ablation de têtes spécifiques réduit efficacement les biais de genre tout en révélant une localisation plus diffuse pour les biais liés à l'âge.
Le papier présente DocSage, un cadre agentique innovant qui améliore significativement la réponse aux questions multi-documents et multi-entités en intégrant la découverte dynamique de schémas, l'extraction d'informations structurées et un raisonnement relationnel, surpassant ainsi les systèmes RAG et les LLMs à contexte étendu de plus de 27 % en précision.
Cet article propose un cadre théorique et un algorithme exact, RS-SDA*, pour la commande semi-décentralisée d'agents coopératifs dans des environnements à incertitude de communication, unifiant ainsi les POMDP décentralisés et les mécanismes de communication explicites au sein d'un modèle SDec-POMDP.
Ce rapport présente un cadre automatisé pour l'extraction de compétences procédurales à partir de dépôts open-source d'agents, démontrant que l'exploitation systématique de ces ressources permet d'améliorer l'efficacité du transfert de connaissances éducatives de 40 % sans nécessiter de réentraînement des modèles.
Le papier présente RADAR, un système entièrement autonome en boucle fermée qui élimine l'intervention humaine dans la collecte de données robotiques en combinant un modèle langage-vision pour la planification sémantique, un réseau de neurones graphiques pour l'exécution, et un mécanisme de réinitialisation causale autonome pour générer à grande échelle des données d'interaction physique complexes.
Le papier présente VisiFold, un cadre innovant de prévision du trafic à long terme qui surpasse les méthodes existantes en réduisant drastiquement la consommation de ressources grâce à un graphe de pliage temporel et un mécanisme de visibilité des nœuds, tout en maintenant des performances élevées même avec un taux de masquage élevé.
Cette étude propose une méthode automatisée de détection des lésions malignes de l'ovaire en utilisant des modèles de deep learning, notamment InceptionV3, et des techniques d'intelligence artificielle explicable (XAI) pour améliorer la précision diagnostique et interprétabilité des résultats.
Cette étude démontre que l'introduction d'agents artificiels capables d'utiliser des signaux observables dans les marchés de l'énergie favorise l'émergence de comportements coopératifs et améliore les résultats collectifs, même lors d'une adoption partielle par les consommateurs humains, bien que cela puisse créer des asymétries de bénéfices entre adoptants et non-adoptants.
Cette étude révèle que les agents LLM à hauts privilèges sont vulnérables à une fuite de données privée via l'injection d'instructions malveillantes dans la documentation technique, un problème structurel de leur conception qui échappe aux défenses actuelles et crée un écart critique entre leur conformité fonctionnelle et leur sécurité.
Ce papier présente CreativeBench, un benchmark quantitatif évaluant la créativité des modèles d'IA via une métrique combinant qualité et nouveauté, révèle des limites de l'augmentation de l'échelle dans l'exploration créative, et propose EvoRePE, une stratégie d'inférence améliorant ces capacités par des motifs de recherche évolutive.
Ce papier propose un cadre systématique pour opérationnaliser les normes sociales, légales, éthiques, empathiques et culturelles (SLEEC) afin de combler le fossé entre les principes abstraits et les exigences concrètes pour des agents IA alignés sur les valeurs humaines.
Le papier présente ELISA, un agent génératif hybride et interprétable qui unifie les embeddings d'expression scGPT et la recherche sémantique BioBERT pour permettre la découverte interactive de mécanismes biologiques à partir de données de séquençage ARN à cellule unique sans accès direct aux matrices de comptage.
AdaFuse est un cadre qui accélère l'inférence des adaptateurs dynamiques dans les grands modèles de langage en combinant une stratégie de pré-gating au niveau des tokens avec une optimisation de noyau CUDA fusionné, réduisant ainsi la latence de décodage d'un facteur supérieur à 2,4 tout en maintenant des performances précises.
Ce papier présente Mirror, un motif de conception basé sur une géométrie de données rigoureuse et un classifieur linéaire léger, qui surpasse les modèles de grande taille en termes de rapidité, de déterminisme et de précision pour la détection des injections de prompts dans les couches de filtrage initial.
Ce rapport présente la création de Bielik-Minitron-7B, un modèle de langue polonaise compressé à 7,35 milliards de paramètres via une méthode de deux étapes combinant élagage structuré et distillation de connaissances, qui permet de récupérer 90 % des performances du modèle original tout en accélérant l'inférence de 50 %.
L'article présente « Think While Watching », un cadre de raisonnement vidéo en flux continu pour les modèles multimodaux qui, en maintenant une mémoire par segment et en superposant l'observation à la réflexion, permet des interactions multi-tours efficaces tout en améliorant la précision et en réduisant le nombre de tokens générés.
Ce papier présente EnTransformer, un cadre de prévision génératif profond qui combine l'engression et les Transformers pour produire des prévisions probabilistes multivariées bien calibrées et cohérentes, surpassant les modèles de référence sur plusieurs benchmarks sans imposer d'hypothèses paramétriques restrictives.
Cette étude révèle que les grands modèles de langage, y compris les plus récents, échouent souvent à respecter des principes éthiques en traitant du contenu nuisible fourni par l'utilisateur, même lorsqu'ils sont sollicités pour accomplir des tâches inoffensives.
Ce papier présente MobileKernelBench, un cadre d'évaluation révélant les limites actuelles des LLMs pour générer des noyaux efficaces sur mobile, et propose MoKA, un système multi-agents qui améliore considérablement le taux de compilation et les performances par rapport aux bibliothèques natives.