2300 articles
Ce papier propose une méthode d'apprentissage exclusive intégrant des priors d'attention sensibles à la longueur et un contrôleur de gain adaptatif pour améliorer le raisonnement des Transformers sans augmenter les coûts d'inférence.
Cet article propose de nouvelles bornes de généralisation transductive pour la classification de nœuds dans les graphes, basées sur le transport optimal et les distances de Wasserstein, qui sont à la fois calculables et mieux corrélées aux performances empiriques que les mesures de complexité classiques, tout en expliquant le compromis entre concentration intra-classe et séparation inter-classe induit par l'agrégation des GNN.
Ce papier présente DendroNN, un réseau de neurones bio-inspiré qui exploite les mécanismes de détection de séquences des dendrites pour classifier efficacement des données événementielles via une phase de ré câblage sans gradient et une architecture matérielle asynchrone, surpassant ainsi les solutions neuromorphiques existantes en termes d'efficacité énergétique.
Ce papier établit de nouvelles bornes de regret pour l'optimisation bayésienne par échantillonnage de Thompson (GP-TS), comblant le fossé avec les analyses de GP-UCB en fournissant une borne inférieure, une borne supérieure sur le second moment du regret, des bornes de regret « lenient » et une amélioration de la borne cumulative sur l'horizon temporel.
Cet article propose un cadre guidé par des variables proxy et utilisant des autoencodeurs variationnels pour identifier et corriger les erreurs de mesure systématiques dans les variables de résultat agrégées, en modélisant la séparation entre les facteurs de contenu et les biais latents.
Cet article établit un théorème de comparaison gaussien reliant la dynamique d'entraînement d'algorithmes d'apprentissage automatique sur des mélanges gaussiens à un système dynamique simplifié, permettant de prouver rigoureusement les résultats asymptotiques de la théorie du champ moyen dynamique et de proposer des expressions plus précises pour les régimes non asymptotiques.
L'article présente CLoE, un cadre d'apprentissage par consistance des experts qui améliore la segmentation des images médicales multimodales en cas de modalités manquantes en assurant l'accord entre les experts aux niveaux global et régional, tout en recalibrant dynamiquement les caractéristiques selon leur fiabilité.
Le papier présente Reward-Zero, un mécanisme de récompense implicite universel qui transforme les descriptions de tâches en langage naturel en signaux de progression denses pour accélérer et stabiliser l'apprentissage par renforcement sans nécessiter d'ingénierie spécifique.
Ce papier propose TA-GGAD, un modèle graphique fondamental adaptatif qui résout le problème de décalage de domaine dans la détection d'anomalies en modélisant la « désassortativité des anomalies » pour atteindre un état de l'art généralisable sur divers graphes réels avec un seul entraînement.
Cet article présente un cadre de données intégrant un réseau de neurones et un GAN conditionnel pour prédire la rugosité de surface dans la fabrication additive, couplé à une interface web interactive permettant de visualiser ces prédictions sur des modèles 3D afin d'optimiser l'orientation et les paramètres d'impression.
Cet article propose un cadre d'optimisation d'ordre zéro et privé différentiellement pour étendre la condensation de données aux modèles cliniques non différentiables, permettant ainsi le partage sécurisé de données synthétiques préservant l'utilité des modèles de prédiction médicale.
Le papier propose CAHC, une méthode d'apprentissage par contraste en bout en bout pour le clustering d'hypergraphes attribués qui intègre simultanément l'apprentissage des représentations et l'affectation des clusters pour éviter l'inclusion d'informations non pertinentes et surpasser les méthodes existantes.
Cette étude propose VSOPINN, une architecture de réseaux de neurones informés par la physique enrichie par des diagrammes de Voronoi, qui optimise de bout en bout le placement des capteurs pour reconstruire avec précision et robustesse des écoulements fluides complexes à partir de mesures éparses.
Le papier présente SPAARS, un cadre d'apprentissage par renforcement offline-to-online qui améliore la sécurité et l'efficacité de l'échantillonnage en initiant l'exploration dans un espace latent restreint avant de basculer vers l'espace d'action brut, surmontant ainsi les limitations de reconstruction des méthodes précédentes et surpassant les performances des modèles de base sur plusieurs tâches robotiques.
Cet article présente le modèle de diffusion entièrement convolutif (FCDM), une architecture inspirée de ConvNeXt qui offre une alternative hautement efficace et compétitive aux modèles basés sur les Transformers, permettant un entraînement performant avec moins de ressources computationnelles et de matériel.
Cet article propose quatre améliorations de l'algorithme de matching spatio-temporel pour les trajectoires GPS à faible fréquence, notamment via un tampon dynamique et une analyse comportementale, démontrant des gains significatifs en efficacité et en qualité de reconstruction des trajets sur des données réelles de Milan.
Cette étude démontre que le choix de la conception du processus de décision markovien, en particulier l'utilisation de modèles de dynamique fondés sur la physique, est déterminant pour réduire l'écart simulation-réalité et atteindre un taux de réussite de 50 % dans des tâches de contrôle industriel comme le mélange de couleurs.
Cet article propose une nouvelle méthode d'évaluation hors politique pour les bandits contextuels, appelée pondération non paramétrique (NW) et son extension assistée par modèle (MNW), qui surpasse les approches existantes en réduisant significativement la variance tout en maintenant un faible biais.
Ce papier présente VMoER, une approche bayésienne structurée qui intègre l'inférence variationnelle dans le routage des modèles Mixture-of-Experts pour fournir une quantification fiable de l'incertitude à grande échelle avec un surcoût computationnel négligeable.
Cet article présente les flux de normalisation conditionnés temporellement (tcNF), un nouveau cadre d'apprentissage profond qui améliore la détection d'anomalies dans les séries temporelles multivariées en modélisant avec précision les dépendances temporelles et les incertitudes via une approche autorégressive.