3834 articles
L'article présente Fair-PaperRec, un modèle d'apprentissage automatique conçu pour réduire les biais démographiques dans les décisions d'acceptation des articles tout en préservant la rigueur académique, démontrant ainsi qu'il est possible d'augmenter la participation des groupes sous-représentés sans compromettre la qualité globale.
Le papier présente ProtoSR, une approche qui améliore la génération de rapports radiologiques structurés en exploitant des connaissances extraites de rapports textuels libres via des prototypes visuels pour affiner les prédictions de modèles sur des attributs fins.
Ce papier propose l'Effective Resistance Rewiring (ERR), une méthode simple et sans paramètre qui corrige le problème de « sur-écrasement » dans les réseaux de neurones à graphes en ajoutant et supprimant des arêtes basées sur la résistance effective pour améliorer la connectivité globale, tout en démontrant que cette approche nécessite des techniques de normalisation comme PairNorm pour équilibrer la propagation du signal et éviter l'homogénéisation excessive des représentations.
Cet article propose d'intégrer des tessellations de Voronoi dans les circuits probabilistes pour capturer la géométrie locale des données, en résolvant les problèmes de tractabilité par un cadre d'inférence approximative avec bornes garanties et une condition structurelle permettant une inférence exacte, tout en facilitant l'apprentissage via une relaxation différentiable.
Cette étude introduit les attaques par porte dérobée retardées (DBA), une nouvelle classe de menaces exploitant la dimension temporelle pour activer des comportements malveillants après une période de latence, démontrant ainsi la viabilité d'utiliser des mots courants comme déclencheurs et soulignant l'urgence de développer des mécanismes de défense adaptés à cet état.
Le papier présente SLIP, un cadre open-source de préentraînement auto-supervisé qui aligne les données de capteurs multivariées avec le langage naturel pour apprendre des représentations transférables et flexibles, surpassant les méthodes existantes en généralisation cross-domaine et en performances sur des tâches de classification, de légendage et de questionnement sans réentraînement.
Ce papier propose un cadre d'analyse multimodale des émotions pour le défi ABAW 10, combinant des modèles pré-entraînés (CLIP et Wav2Vec 2.0), une modélisation temporelle par réseau de convolution et un mécanisme d'attention croisée bidirectionnelle pour améliorer la reconnaissance des expressions faciales dans des environnements réels non contraints.
Ce papier propose NormCoRe, un cadre méthodologique novateur permettant de traduire systématiquement les expériences sur sujets humains en environnements d'IA multi-agents pour étudier l'émergence des normes, démontrant ainsi que les jugements normatifs des agents diffèrent de ceux des humains et dépendent du modèle de base et des personnalités linguistiques utilisées.
Ce papier présente HomeSafe-Bench, un nouveau benchmark évaluant la détection d'actions dangereuses par les modèles vision-langage dans les foyers, ainsi que HD-Guard, une architecture hiérarchique innovante conçue pour optimiser le compromis entre latence et précision dans la surveillance de sécurité des agents incarnés.
Ce papier présente LABSHIELD, un benchmark multimodal réaliste basé sur les normes de sécurité OSHA et GHS, conçu pour évaluer les capacités de raisonnement et de planification des agents d'intelligence artificielle dans des environnements de laboratoire scientifiques à haut risque, révélant ainsi un écart significatif entre leurs performances générales et leur fiabilité dans des scénarios de sécurité critiques.
Ce papier présente BTZSC, un benchmark complet de 22 jeux de données conçu pour évaluer de manière systématique et équitable les capacités de classification textuelle en zéro-shot à travers quatre familles de modèles distinctes, révélant que les rerankers modernes et les LLMs surpassent désormais les architectures NLI traditionnelles.
Le papier propose FedFew, un algorithme d'apprentissage fédéré personnalisé qui reformule le problème en optimisant un petit nombre de modèles serveur pour servir efficacement une grande quantité de clients hétérogènes, surpassant ainsi les méthodes existantes tout en évitant le partitionnement manuel ou le réglage minutieux des hyperparamètres.
Cette étude empirique démontre que le fine-tuning par renforcement (RFT) permet aux agents LLM de bien généraliser à l'intérieur d'un même environnement, mais révèle des limites lors du transfert vers des environnements inconnus, tout en montrant que l'entraînement séquentiel ou mixte améliore la robustesse globale avec un oubli minimal.
Ce papier présente Flowcean, un cadre novateur et modulaire conçu pour automatiser la génération de modèles de systèmes cyber-physiques grâce à l'apprentissage automatique, afin de simplifier et d'accélérer leur conception et leur opération.
Cette étude explore la dynamique de pouvoir entre les designers et les intelligences artificielles émergentes, soulignant la nécessité d'une introspection, d'une compréhension technique et d'un ajustement relationnel pour préserver l'agence créative des designers lors de la co-création avec ces technologies.
Cet article présente une approche systématique de l'adaptation sim-to-réalité pour l'atterrissage autonome d'un AUV sous-marin, utilisant un jumeau numérique haute fidélité et l'apprentissage par renforcement profond (PPO) pour entraîner un agent qui a démontré un taux de réussite supérieur à 90 % en simulation et une validation réussie dans un bassin physique.
Ce papier présente LabelPigeon, un cadre novateur utilisant des balises XML pour réaliser simultanément la traduction et la projection d'annotations, démontrant ainsi que cette approche conjointe améliore à la fois la qualité de la traduction et les performances de transfert interlingue sur des tâches comme la reconnaissance d'entités nommées, contrairement aux méthodes précédentes.
Cet article présente « Cascade », une approche qui démontre comment combiner des vulnérabilités logicielles et matérielles traditionnelles avec des faiblesses algorithmiques des modèles de langage pour amplifier les menaces et compromettre l'intégrité ou la confidentialité des systèmes d'IA composés.
Le papier présente Slow-Fast Inference, une méthode d'accélération sans entraînement qui améliore le débit de décodage des modèles à contexte long en alternant des étapes rapides utilisant une mémoire sparse réutilisable et des étapes lentes qui rafraîchissent cette mémoire aux frontières sémantiques, tout en préservant la qualité de génération.
Le papier présente XSkill, un cadre d'apprentissage continu à double flux qui améliore les agents multimodaux en accumulant et en adaptant dynamiquement des connaissances réutilisables sous forme d'expériences et de compétences, ancrées dans les observations visuelles, pour optimiser l'utilisation d'outils et la planification sans mise à jour des paramètres.