63 articles
L'article présente GIT-BO, un cadre d'optimisation bayésienne qui combine le modèle fondamental tabulaire TabPFN v2 et un mécanisme de sous-espace actif pour surmonter les limites des méthodes traditionnelles en haute dimension, offrant ainsi des performances supérieures et une meilleure efficacité temporelle sur une large gamme de problèmes synthétiques et réels sans nécessiter de réentraînement en ligne.
L'article présente EDINET-Bench, un nouveau benchmark open-source en japonais évaluant les capacités des grands modèles de langage sur des tâches financières complexes issues de rapports annuels, révélant leurs limites actuelles et soulignant la nécessité de cadres d'évaluation plus riches intégrant des simulations réalistes et un soutien au raisonnement.
Cet article présente AttnBoost, un cadre d'apprentissage interprétable qui intègre un mécanisme d'attention au niveau des caractéristiques dans le processus de boosting pour améliorer la précision des prévisions de ventes et l'explicabilité dans les chaînes d'approvisionnement de détail.
Ce papier présente FMint-SDE, un modèle fondation multimodal basé sur un transformer qui améliore l'efficacité et la précision des simulations d'équations différentielles stochastiques en apprenant un schéma universel de correction d'erreur à partir de solutions grossières, surpassant ainsi les intégrateurs numériques traditionnels.
Cet article propose un modèle de paiement CBDC hors ligne préservant la vie privée pour les appareils IoT, qui intègre des éléments sécurisés, des preuves à divulgation nulle de connaissance (ZKP) légères et une synchronisation intermittente pour garantir la sécurité des transactions et la prévention de la double dépense dans des environnements à ressources limitées.
L'article propose FedEMA-Distill, une méthode de distillation de connaissances guidée par une moyenne mobile exponentielle qui améliore la robustesse et l'efficacité des communications de l'apprentissage fédéré face aux données hétérogènes et aux attaques malveillantes en n'exigeant que l'envoi de logits compressés depuis les clients.
Cet article soutient que l'intelligence incarnée, en franchissant des seuils critiques de capacité, déclenchera des transitions de phase dans la géographie économique de la production en renversant le paradigme centenaire des usines centralisées au profit d'une micro-fabrication décentralisée et optimisée pour les conditions environnementales des machines plutôt que pour la main-d'œuvre humaine.
Cette étude démontre qu'un plancher de bâtiment instrumenté peut fonctionner comme un ordinateur à réservoir physique capable de localiser avec précision les pas des occupants en exploitant les vibrations structurelles via un pipeline de traitement léger, permettant ainsi une surveillance intelligente sans recalibration spécifique aux individus.
Ce papier présente VeNRA, une architecture neuro-symbolique pour le raisonnement financier qui remplace la récupération textuelle probabiliste par un registre de faits déterministes et un détecteur d'hallucinations adversaire entraîné sur des erreurs écologiques simulées, afin d'assurer une précision mathématique absolue et une confiance opérationnelle nulle tolérance aux erreurs.
MOOSEnger est un agent d'intelligence artificielle doté d'outils spécialisés qui combine la génération augmentée par récupération et des analyseurs déterministes pour transformer des intentions en langage naturel en fichiers d'entrée MOOSE exécutables, atteignant un taux de réussite de 93 % sur un benchmark de 125 prompts, contre seulement 8 % pour une approche basée uniquement sur un modèle de langage.
Cet article propose une méthode de localisation par appartenance à un ensemble basée sur des mesures de distance bruitées, permettant de caractériser l'ensemble des positions possibles et de le borner efficacement par des formes convexes simples via la programmation convexe, sans recourir aux relaxations de programmation semi-définie.
Cette étude propose une nouvelle approche de flux de surface continue (CSF) paramétriquement mise à l'échelle qui améliore considérablement la précision et l'efficacité computationnelle des simulations de bains de fusion en fabrication additive métallique en atténuant les erreurs liées aux gradients de température extrêmes et aux rapports de propriétés des matériaux.
Cet article présente un cadre novateur combinant un grand modèle de langage (LLM) et un modèle Transformer pour générer automatiquement des alphas formulaires basés sur le sentiment, améliorant ainsi la précision et l'interprétabilité des prévisions de prix boursiers.
Cet article propose une stratégie d'optimisation de portefeuille de cryptomonnaies dynamique intégrant des indicateurs techniques et une analyse de sentiment pour améliorer les rendements ajustés au risque par rapport aux approches traditionnelles, tout en soulignant la nécessité de renforcer la gestion des risques face aux fortes baisses du marché.
Cette étude présente un cadre d'apprentissage par renforcement utilisant l'optimisation proximale des politiques (PPO) pour ajuster dynamiquement les poids d'alphas générés par des modèles de langage, démontrant ainsi une amélioration des ratios de Sharpe et une réduction des tirages maximums par rapport aux stratégies de base.
Cet article développe un calcul harmonique biorthogonal pour les graphes dirigés non normaux en définissant une transformée de Fourier biorthogonale, en établissant des bornes de variation dirigée contrôlées par la géométrie des vecteurs propres, et en fournissant des garanties de reconstruction stables validées par simulation.
Le papier présente SpecBridge, un cadre d'alignement croisé innovant qui améliore considérablement l'identification des petites molécules à partir de spectres de masse en affinant un encodeur spectral pour projeter directement dans l'espace latent d'un modèle fondamental moléculaire figé, surpassant ainsi les méthodes de base existantes avec une efficacité paramétrique accrue.
Cet article propose une extension du solveur CNF aux équations aux dérivées partielles couplées et non linéaires pour résoudre des problèmes directs, inverses et de découverte d'équations, en combinant une analyse comparative des méthodes existantes, des techniques d'auto-ajustement et une évaluation sur des benchmarks.
Cet article propose une optimisation du modèle de mouvement absolu des plaques optAPM, notamment grâce à une formulation simplifiée de la fonction de coût des points chauds et à une pré-interpolation des données, permettant d'améliorer la précision des reconstructions géologiques sur des échelles de temps de l'ordre de 100 millions d'années.
Le papier présente MOOSE-Star, un cadre unifié qui rend l'entraînement tractable pour la découverte scientifique en surmontant la barrière de la complexité combinatoire grâce à une recherche hiérarchique guidée et à un apprentissage sur des tâches décomposées, réduisant ainsi la complexité de exponentielle à logarithmique.