2315 articles
Cet article présente Spatial-TTT, une approche d'intelligence spatiale visuelle en flux continu qui utilise l'entraînement au moment du test (TTT) et une architecture hybride pour maintenir et organiser efficacement des preuves spatiales à long terme à partir de vidéos.
Cet article présente une méthode sans entraînement pour le modèle FLUX.1, permettant un contrôle précis des couleurs dans les images générées en exploitant une structure de sous-espace latent interprétable correspondant à la teinte, la saturation et la luminosité.
BEFANA est un outil logiciel libre et open-source développé en Python sous forme de notebooks interactifs qui permet aux écologues d'analyser, de visualiser et de modéliser la dynamique et la topologie des réseaux écologiques, y compris via des algorithmes d'apprentissage automatique, afin d'évaluer les relations biodiversité-fonctionnement des écosystèmes.
Cet article propose une méthode d'apprentissage actif profond efficace qui remplace le réentraînement coûteux des réseaux de neurones par une mise à jour bayésienne basée sur l'approximation de Laplace, permettant ainsi une sélection de lots rapide et diversifiée tout en maintenant une précision proche de celle du réentraînement complet.
Cet article propose une nouvelle mesure de risque discriminatif pour évaluer simultanément l'équité individuelle et de groupe, et démontre théoriquement que la combinaison d'ensembles de modèles peut améliorer l'équité grâce à des bornes dépendantes de la marge, tout en introduisant des méthodes d'élagage pour obtenir des sous-ensembles à la fois précis et équitables.
Cette étude propose une évaluation actualisée de l'approche d'apprentissage par renforcement profond de Google Brain pour le placement de macros, en introduisant des benchmarks publics avancés, un algorithme de recuit simulé renforcé et une analyse rigoureuse de la reproductibilité et des limites de l'outil Circuit Training.
Cet article propose une méthode de branch-and-bound disjonctive couplée à de nouvelles relaxations convexes pour résoudre le problème de complétion de matrices de faible rang avec une garantie d'optimalité, surpassant significativement les heuristiques existantes en termes de précision et de certitude théorique.
Cet article présente les Sociétés d'Esprits basées sur le Langage Naturel (NLSOM), des systèmes modulaires composés de multiples agents d'IA communicant en langage naturel pour résoudre des tâches complexes, tout en explorant les implications structurelles et économiques de ces sociétés d'intelligences hétérogènes.
Cet article propose deux variantes corrigées de l'approximation de Laplace riemannienne utilisant la métrique de Fisher, éliminant ainsi les biais et les approximations trop étroites observés dans les travaux précédents pour garantir l'exactitude asymptotique et améliorer les performances pratiques.
Cette étude démontre que les grands modèles de langage (LLM) constituent une alternative flexible et économe en données pour la prédiction du comportement des voyageurs, grâce à des stratégies de promptage zéro-shot et à l'utilisation d'embeddings textuels qui rivalisent avec les modèles classiques.
Cet article propose une méthode d'agrégation de modèles de mélanges d'experts distribués basée sur le transport optimal, qui permet de reconstruire un estimateur global cohérent avec une seule étape de communication tout en garantissant des performances comparables à un entraînement centralisé.
Ce papier propose MFedMC, un cadre d'apprentissage fédéré multimodal économe en communication qui utilise une architecture découplée et une sélection conjointe des clients et des modalités pour surmonter l'hétérogénéité des données et les limitations de bande passante tout en maintenant une haute précision.
Cet article propose HyWIA, une méthode innovante de pruning structuré pour les grands modèles de langage qui fusionne de manière adaptative des évaluations d'importance des poids à granularité fine et grossière pour améliorer la rétention des performances lors de la compression.
Cet article propose deux méthodes d'approximation de l'algorithme BAIT pour l'apprentissage actif profond, réduisant considérablement sa complexité temporelle et sa consommation mémoire afin de le rendre applicable à des tâches de classification à grande échelle comme ImageNet, tout en maintenant des performances élevées.
Cette étude applique des techniques d'apprentissage automatique interprétables à un jeu de données de 28 ans dans le golfe de Trieste pour prédire la toxicité des moules liée aux efflorescences algales nuisibles, identifiant l'algorithme Random Forest comme le plus performant et mettant en évidence l'importance des espèces *Dinophysis* et de facteurs environnementaux tels que la salinité et les précipitations pour améliorer les systèmes d'alerte précoce.
Cet article propose une formulation en contrôle singulier régularisé par l'entropie résiduelle pour les problèmes d'arrêt optimal exploratoires, permettant d'identifier une stratégie optimale unique et de développer des algorithmes d'apprentissage par renforcement, notamment de type acteur-critique, capables de gérer des dimensions élevées.
Cet article présente le Mamba Neural Operator (MNO), un cadre novateur qui établit un lien théorique entre les modèles d'espace d'état structurés et les opérateurs neuronaux pour surpasser les Transformers dans la résolution efficace et précise d'équations aux dérivées partielles.
Ce papier présente EarthquakeNPP, une nouvelle plateforme de benchmarking qui corrige les failles des évaluations précédentes et démontre que, contrairement aux attentes, les processus ponctuels neuronaux actuels ne surpassent pas le modèle sismologique classique ETAS pour la prévision des tremblements de terre.
Cette étude propose une théorie de la mémorisation géométrique démontrant que, face à la rareté des données, les modèles de diffusion subissent un effondrement progressif de leur capacité variationnelle où les caractéristiques saillantes puis les détails fins se figent, menant à une réplication quasi ponctuelle des exemples d'entraînement.
Ce papier présente la méthode hybride 3D-PIUNet, qui améliore la reconstruction des sources cérébrales en EEG en initialisant un réseau de neurones 3D avec une solution physique inverse pour combiner les avantages des approches traditionnelles et de l'apprentissage profond.