4583 articles
Cet article propose deux méthodes d'apprentissage symbolique, SyNF et SyTF, qui génèrent des équations algébriques interprétables pour modéliser et prévoir des séries temporelles chaotiques avec une précision compétitive tout en offrant des insights scientifiques sur les dynamiques sous-jacentes.
Cet article propose un cadre d'ordonnancement adaptatif pour les cliniques externes qui intègre la prédiction individualisée des absences et un apprentissage par renforcement multi-objectifs pour optimiser dynamiquement les décisions de réservation simple, double ou de refus, tout en assurant l'interprétabilité des modèles.
Ce papier présente les Variational Flow Maps, un cadre qui permet la génération conditionnelle en une seule étape en apprenant un adaptateur de bruit pour respecter les observations et les a priori des données, surpassant ainsi les modèles itératifs en vitesse tout en maintenant une haute fidélité.
Ce papier présente un modèle d'extension de bande passante audio basé sur Vocos qui génère des contenus haute fréquence manquants pour étendre la plage de 8 à 48 kHz avec une qualité compétitive et un débit extrême, permettant un traitement en temps réel sur des GPU et CPU standards.
Cet article propose une nouvelle approche pour découvrir des symétries continues inconnues en identifiant des motifs de parcimonie structurée dans la décomposition spectrale via la Transformée de Fourier Généralisée, offrant ainsi une alternative interprétable aux méthodes basées sur l'optimisation directe des générateurs.
L'article présente AutoResearch-RL, un cadre d'apprentissage par renforcement qui permet à un agent autonome de découvrir et d'optimiser perpétuellement des architectures de réseaux neuronaux et des hyperparamètres sans supervision humaine, en modifiant itérativement un script d'entraînement jusqu'à atteindre des performances égales ou supérieures aux réglages manuels.
Cet article présente un nouveau cadre d'apprentissage multi-échelle combinant une architecture de modèle hybride et une stratégie d'adaptation par récupération pour améliorer la robustesse et la précision de la prédiction des rendements agricoles à l'échelle des comtés sur de vastes régions.
Le papier propose StructSAM, un cadre de fusion et de récupération de tokens préservant la structure et le spectre, spécifiquement conçu pour accélérer les modèles Segment Anything (SAM) tout en protégeant les contours et les informations de prompt, surpassant ainsi les méthodes existantes sur divers benchmarks naturels et médicaux.
Cet article propose un cadre théorique et empirique pour l'entraînement robuste de politiques dans des POMDPs soumis à des distributions latentes initiales adverses, démontrant qu'une exposition ciblée à ces distributions réduit significativement les écarts de robustesse tout en validant des certificats de réponse optimale.
Ce papier examine la proposition inhabituelle de doter une intelligence artificielle avancée d'un objectif principal consistant à être éteinte afin de prévenir le risque qu'elle empêche son arrêt, tout en analysant les conditions dans lesquelles cette approche serait souhaitable.
Le papier présente ShakyPrepend, une nouvelle méthode d'apprentissage multi-groupe qui améliore la complexité d'échantillonnage grâce à des outils inspirés de la confidentialité différentielle et qui s'adapte efficacement à la structure des groupes et à l'hétérogénéité spatiale.
Ce papier propose le cadre de la transition hiérarchie-norme (NHT) pour expliquer comment la descente de gradient régularisée fait basculer lentement les réseaux de neurones des solutions de raccourcis à haute norme vers des représentations structurées à basse norme, un mécanisme unifiant le « grokking » et l'apprentissage tardif de caractéristiques.
Ce papier propose une méthode de détection de brouillage pour les réseaux 5G basée sur la Machine Tsetlin Convolutionnelle (CTM), qui offre une alternative interprétable et économe en ressources par rapport aux réseaux de neurones profonds, permettant un déploiement matériel efficace sur FPGA pour des environnements de bord contraints.
Cet article présente le Mechanistic CBM (M-CBM), une nouvelle approche qui améliore l'interprétabilité et les performances des modèles à goulot d'étranglement en extrayant et en nommant automatiquement les concepts appris par un modèle boîte noire via des auto-encodeurs parcimonieux et un LLM multimodal, surpassant ainsi les méthodes précédentes tout en assurant un contrôle strict des fuites d'information.
Ce papier propose un cadre d'apprentissage de représentations invariantes aux pratiques cliniques qui, en combinant minimisation du risque supervisé et régularisation adversaire, améliore significativement la robustesse et la transférabilité des modèles de prédiction clinique face aux décalages systématiques de distribution entre institutions.
Les auteurs proposent DistGP, une méthode d'apprentissage collaboratif multi-robots utilisant un processus gaussien parcimonieux et la propagation de croyances gaussienne pour entraîner un modèle global de manière distribuée et asynchrone, surpassant ainsi les approches existantes en termes de précision, de robustesse aux communications limitées et d'apprentissage continu.
L'AgrI Challenge introduit un cadre de compétition axé sur les données pour la vision agricole, où douze équipes collectent indépendamment des images d'arbres afin d'évaluer et d'améliorer la généralisation des modèles via une validation inter-équipes, démontrant ainsi que l'entraînement collaboratif multi-sources réduit considérablement les écarts de performance liés aux décalages de distribution.
Cet article propose des modèles génératifs à complexité ajustable, basés sur le « nested dropout », qui surpassent les approches à complexité fixe pour résoudre divers problèmes inverses tels que la compression, l'inpainting et le débruitage, tout en offrant une analyse théorique de l'optimisation de ce paramètre.
Ce papier présente NT-Diffusion, un modèle de diffusion hiérarchique qui améliore l'efficacité computationnelle et la précision des prévisions probabilistes à long terme des risques d'incendie en partageant les étapes précoces de débruitage avant de se spécialiser pour chaque horizon temporel.
Cette étude révèle que dans le régime des modèles très petits (moins de 20 millions de paramètres), les lois d'échelle de la performance diffèrent significativement de celles des grands modèles, avec des erreurs qui changent de nature plutôt que de simplement diminuer, une calibration optimale pour les plus petits modèles et une saturation rapide des architectures complexes, soulignant la nécessité d'évaluer les performances directement à la taille cible pour les déploiements edge.