2315 articles
Cette étude propose un cadre d'apprentissage continu novateur pour l'apprentissage incrémental de classes (CIL) qui combine une normalisation par lots spécifique à la tâche et une détection hors distribution pour prédire l'identifiant de tâche, permettant ainsi d'adapter efficacement les méthodes de type TIL tout en minimisant l'oubli catastrophique et la croissance des paramètres.
Ce papier propose CLIQUE, une nouvelle méthode agnostique au modèle pour calculer l'importance locale des variables, qui améliore les techniques existantes comme LIME et SHAP en capturant les dépendances locales et les interactions complexes tout en s'adaptant nativement aux problèmes de classification multi-classes.
Cet article présente un nouveau réseau de neurones quantique à couche unique basé sur la base bloc récursive standard (SRBB) qui, en exploitant les algèbres de Lie et en réduisant exponentiellement le nombre de portes CNOT, permet une synthèse unitaire approximative efficace et scalable validée sur des simulateurs et du matériel réel.
Cet article propose une nouvelle famille de modèles statistiques pour les comparaisons par paires qui se passe de l'hypothèse de transitivité stochastique, en utilisant une matrice antisymétrique de faible dimension pour capturer des dynamiques complexes et offrir une estimation optimale même avec des données éparses.
Cette présentation introduit PoLAr-MAE, une méthode d'apprentissage auto-supervisé utilisant la modélisation de points masqués pour extraire des représentations physiques significatives de données LArTPC, permettant d'atteindre des performances de segmentation comparables à l'état de l'art avec une fraction infime de données étiquetées.
Cette étude propose une approche de machine learning graphique pour prédire les retards aériens dus aux manœuvres d'attente, démontrant que le modèle CatBoost enrichi de caractéristiques graphiques surpasse les réseaux d'attention graphique (GAT) pour anticiper ces événements complexes et améliorer l'efficacité opérationnelle du trafic aérien.
Cet article propose un algorithme de bandit contextuel en ligne basé sur l'optimisme pour l'apprentissage par renforcement régularisé par KL, démontrant qu'il atteint une borne de regret logarithmique en exploitant le paysage d'optimisation favorable induit par la régularisation et l'estimation optimiste des récompenses, une analyse étendue ensuite aux problèmes d'apprentissage par renforcement complets.
Cet article présente DIFU-Ada, un cadre d'adaptation à l'inférence sans entraînement qui permet aux solveurs d'optimisation combinatoire basés sur la diffusion de généraliser de manière zéro-shot à travers différentes échelles et problèmes, comme le PCTSP et l'OP, en partant d'un modèle entraîné uniquement sur le problème du voyageur de commerce.
En démontrant l'impossibilité fondamentale pour les modèles CLIP d'assurer simultanément la représentation de descriptions de base, de la liaison d'attributs, des relations spatiales et de la négation, cette étude propose les cartes de similarité cosinus denses (DCSM) comme méthode interprétable surmontant ces limites géométriques et améliorant les performances sur divers benchmarks.
Cette étude démontre que des modèles de suppression de bruit profond, pourtant largement utilisés dans des applications critiques, peuvent être rendus inintelligibles par l'ajout de bruit adversaire psychoacoustiquement masqué, soulignant ainsi la nécessité de contre-mesures avant leur déploiement dans des environnements sûrs.
Cet article propose un algorithme d'apprentissage en ligne basé sur des bandits contextuels pour optimiser les offres stratégiques des producteurs éoliens agissant comme preneurs de prix sur les marchés de l'électricité, surmontant ainsi les limitations des méthodes d'optimisation bilevel traditionnelles.
Cette étude propose un algorithme de classification SVM ajusté par la covariance utilisant la décomposition de Cholesky pour surmonter les limitations des méthodes traditionnelles dans les espaces non-euclidiens, démontrant ainsi des performances supérieures en termes de précision et de robustesse par rapport aux SVM classiques.
Cet article propose une nouvelle approche de fusion d'images en peu d'exemples qui introduit le concept de priors incomplets et un algorithme de calcul de granules de pixels (GBPC) pour permettre à un réseau de neurones léger d'apprendre des règles de fusion adaptatives sans nécessiter de véritables images de référence.
Cet article propose une nouvelle approche pilotée par les données pour optimiser les politiques de tarification et de gestion des stocks en environnement hors ligne, en surmontant les défis posés par la demande censurée et dépendante grâce à l'approximation par des processus de décision markoviens d'ordre élevé et à l'estimation de politiques optimales via des algorithmes inspirés de l'apprentissage par renforcement hors ligne et de l'analyse de survie.
Cet article propose un cadre déterministe de contrôle basé sur l'appariement de scores et les processus de diffusion pour piloter la densité de probabilité de systèmes non linéaires vers une distribution cible, en transformant la synthèse de commande en la construction d'un processus inverse qui agit comme une loi de rétroaction de débruitage.
Le papier propose SwitchMT, une méthode novatrice utilisant des réseaux de neurones à impulsions avec une politique de commutation de tâches adaptative pour permettre un apprentissage multi-tâches évolutif et efficace aux agents autonomes, surmontant ainsi les interférences de tâches sans accroître la complexité du réseau.
Le papier présente Panda, un modèle pré-entraîné sur un vaste ensemble de systèmes dynamiques chaotiques synthétiques qui, grâce à une architecture d'attention par patches, parvient à effectuer des prévisions en zéro-shot sur des systèmes chaotiques inédits et à prédire des équations aux dérivées partielles sans réentraînement, démontrant ainsi l'efficacité des modèles fondés pour les dynamiques non linéaires.
Ce sondage de données-driven examine l'évolution rapide des recherches sur les limites des grands modèles de langage (LLLMs) de 2022 à 2025, révélant une croissance exponentielle des publications axées sur le raisonnement, les hallucinations et la sécurité, tout en offrant une méthodologie validée et un jeu de données annotées.
Cet article propose un cadre d'abduction basé sur la cohérence qui intègre les prédictions de multiples modèles pré-entraînés via des règles logiques pour atténuer les erreurs de perception dans des environnements nouveaux, surpassant ainsi les modèles individuels et les méthodes d'ensemble classiques en termes de précision et de rappel.
Le papier propose CARTGen-IR, une méthode de suréchantillonnage synthétique basée sur les arbres de décision CART pour la régression déséquilibrée, qui génère des données tabulaires réalistes sans seuillage arbitraire tout en offrant rapidité et interprétabilité.