152 articles
Ce papier présente RED, un réseau de défloutage de mouvement guidé par des événements qui améliore la robustesse face aux données manquantes grâce à une stratégie de perturbation et à une fusion sélective des modalités après un mécanisme de disentanglement.
Le papier présente GaiaFlow, un cadre innovant qui optimise l'équilibre entre la précision de la recherche et la durabilité environnementale en utilisant un réglage de diffusion guidé sémantiquement et des protocoles d'arrêt adaptatif pour réduire l'empreinte carbone des systèmes de recherche neuronaux.
Ce papier introduit de nouvelles métriques pour évaluer les agents LLM dans le contexte du « Text-to-Big SQL », démontrant que les mesures traditionnelles de Text-to-SQL sont insuffisantes pour capturer les impacts réels de l'échelle des données sur les coûts, la latence et l'efficacité d'exécution.
Cet article présente un modèle unifié d'apprentissage du classement pour la fusion de canaux de recherche hétérogènes dans le commerce électronique à grande échelle, qui optimise les conversions utilisateurs en tenant compte des signaux comportementaux et des objectifs spécifiques à chaque canal, surpassant ainsi les méthodes de fusion traditionnelles tout en respectant les contraintes de latence sur Target.com.
Ce papier présente Aletheia, une extension de navigateur innovante alimentée par des modèles de langage et la génération augmentée par récupération (RAG) qui détecte les fausses nouvelles avec des explications fondées sur des preuves et favorise l'engagement utilisateur, surpassant les solutions existantes tant sur le plan de la performance technique que de l'utilisabilité.
VDCook est une plateforme auto-évolutive qui permet aux chercheurs de générer et de mettre à jour continuellement des ensembles de données vidéo spécialisés pour les modèles multimodaux via des requêtes en langage naturel, en combinant récupération de vidéos réelles et synthèse contrôlée.
Le papier présente AutoThinkRAG, un cadre innovant qui améliore la réponse aux questions sur des documents complexes en allouant dynamiquement les chemins de raisonnement via un routeur de complexité et en découplant l'interprétation visuelle de la déduction logique pour optimiser à la fois les performances et les coûts d'inférence.
Cet article propose CBR-to-SQL, un cadre inspiré du raisonnement à partir de cas qui améliore la génération de requêtes SQL à partir de questions en langage naturel dans le domaine de la santé grâce à une recherche en deux étapes, surpassant les approches RAG standard en précision, efficacité et robustesse sur le jeu de données MIMICSQL.
Cette étude démontre que, bien que TikTok respecte formellement l'interdiction du ciblage publicitaire pour les mineurs imposée par le Digital Service Act, une audit algorithmique révèle que les contenus promotionnels non étiquetés et le marketing d'influence exploitent une définition restrictive de la publicité pour contourner cette protection en ciblant efficacement les adolescents.
Cette étude évalue l'efficacité d'une incitation algorithmique de double calibration et d'une incitation basée sur les grands modèles de langage pour diversifier la consommation de nouvelles (domestiques et mondiales) auprès de 120 lecteurs américains, démontrant que les incitations algorithmiques augmentent la diversité de lecture et peuvent modifier durablement les habitudes de consommation.
Ce papier propose une approche en trois étapes pour concevoir un agent conversationnel à clarification d'intention augmentée par la recherche, capable de protéger les données sensibles dans des domaines critiques comme la santé ou le juridique, tout en évaluant le compromis entre sécurité et utilité du système.
Ce papier présente ChatShopBuddy, un agent d'achat conversationnel optimisé par apprentissage par renforcement grâce à une nouvelle méthodologie intégrant un benchmark hiérarchique, une modélisation de récompense hiérarchique et une optimisation de politique contrastive dynamique pour concilier précision, persuasivité et efficacité opérationnelle.
Le papier présente OMEGA, une méthode de recherche apprise généralisable à n'importe quel K qui, en s'entraînant uniquement sur K=1 et en utilisant un raffinement dynamique, surpasse les méthodes existantes en termes de latence et de temps de prétraitement tout en maintenant une haute précision pour des requêtes multi-K.
Le papier propose MLLMRec-R1, un cadre de raisonnement efficace et stable basé sur l'optimisation de politique relative de groupe (GRPO) pour la recommandation séquentielle multimodale, qui surmonte les coûts computationnels élevés et l'inflation des récompenses en textualisant les signaux visuels et en affinant les supervisions de type chaîne de pensée.
Le papier propose R4T, une méthode qui utilise l'apprentissage par renforcement pour synthétiser des données d'entraînement alignées sur des objectifs d'ensemble, permettant ainsi d'entraîner un récupérateur basé sur la diffusion qui améliore la qualité de la recherche tout en réduisant considérablement la latence par rapport aux approches existantes.
Le papier présente CARROT, un système d'optimisation de la récupération pour la génération augmentée par récupération (RAG) qui utilise une recherche arborescente Monte Carlo et un agent de configuration pour sélectionner et ordonnancer dynamiquement les meilleurs fragments de contexte tout en respectant les contraintes de coût et en évitant la dégradation de la qualité due à la non-monotonie de l'utilité des données.
Ce papier présente IKGR, un cadre de recommandation sans ajustement qui construit un graphe de connaissances centré sur les intentions extraites par un LLM pour surmonter la parcimonie des données et les problèmes de démarrage à froid en reliant explicitement les utilisateurs et les articles à des nœuds d'intention.
Le papier propose Refine-POI, un cadre qui améliore la recommandation de lieux d'intérêt (POI) suivante en combinant une quantification par carte auto-organisée hiérarchique pour générer des identifiants sémantiques topologiquement cohérents et un affinage par renforcement pour optimiser la génération de listes de recommandations top-k, surpassant ainsi les méthodes existantes sur plusieurs jeux de données réels.
Ce papier présente la suite de modèles Ettin, une collection open-source de paires d'encodeurs et de décodeurs de tailles variées entraînés sur les mêmes données, démontrant que les architectures spécialisées surpassent les modèles adaptés par transfert pour leurs tâches respectives tout en établissant de nouveaux états de l'art.
Ce papier présente TURA, un agent de recherche unifié et assisté par des outils qui comble le fossé entre la génération augmentée par la récupération (RAG) statique et les sources d'information dynamiques en temps réel grâce à un cadre innovant en trois étapes intégrant la décomposition des intentions, la planification de tâches et l'exécution efficace d'outils.