4645 articles
Cet article propose un cadre d'adaptation léger pour les modèles d'amélioration de la parole, utilisant des adaptateurs de faible rang mis à jour de manière auto-supervisée, qui permet d'améliorer la robustesse dans des environnements acoustiques dynamiques avec moins de 1 % des paramètres mis à jour et une convergence stable.
Cette étude présente un cadre de diffusion transformer conditionnel capable de générer des ensembles diversifiés de structures tridimensionnelles du génome d'Escherichia coli à partir de cartes de contact Hi-C, en assurant la cohérence statistique des contacts tout en préservant la diversité conformationnelle.
Ce papier propose une architecture de transformateur à fusion tardive (LFA) qui garantit l'interprétabilité par conception en maintenant des flux de tokens et de sémantique contextuelle séparés jusqu'à la sortie, démontrant ainsi une modularité fonctionnelle supérieure et une meilleure stabilité que les modèles standards.
Cet article présente une méthode innovante qui surmonte les limitations de la synchronisation horaire dans les capteurs bistatiques sans fil en exploitant l'amplitude de la réponse du canal pour reconstruire des détails de déplacement à l'échelle sub-longueur d'onde, améliorant ainsi la précision d'un ordre de grandeur.
Cet article propose un cadre amélioré de projections locales sur sous-espaces aléatoires (RSLP) qui, grâce à des techniques d'agrégation pondérée, d'échantillonnage adaptatif et d'inférence par bootstrap, permet d'estimer de manière robuste les réponses impulsionnelles dans les séries temporelles haute dimension en réduisant significativement la variabilité des estimateurs et en assurant une couverture fiable des intervalles de confiance.
Ce papier présente BoT, un cadre unifié et agnostique à la taille qui traite le transfert de connaissances bidirectionnel entre modèles de tailles différentes comme un traitement du signal via la transformée en ondelettes discrètes, permettant ainsi des économies significatives de FLOPs tout en maintenant des performances de pointe.
Ce travail présente OCLADS, un cadre d'apprentissage continu innovant pour la détection d'anomalies dans l'IoT qui, grâce à une sélection intelligente d'échantillons et à une détection des changements de distribution, permet de mettre à jour efficacement les modèles embarqués dans des environnements non stationnaires tout en réduisant considérablement le nombre de mises à jour nécessaires.
Ce papier établit un lien théorique précis entre les modèles de dérive et les modèles basés sur le score en démontrant que le champ de dérive moyen induit par un noyau gaussien correspond exactement à la différence de score entre les distributions de données et de modèle lissées, tout en fournissant des bornes d'erreur pour d'autres noyaux radiaux.
Cette étude présente un cadre d'ordonnancement dynamique du nettoyage des panneaux photovoltaïques basé sur l'apprentissage par renforcement, qui optimise les coûts et l'efficacité dans les régions arides en adaptant les interventions aux conditions environnementales incertaines, surpassant ainsi les méthodes traditionnelles comme démontré dans une étude de cas à Abou Dabi.
Cet article propose un cadre de prédiction conforme préservant la vie privée sur l'ensemble des données, évitant le fractionnement de l'échantillon en exploitant la stabilité induite par la confidentialité différentielle pour obtenir des ensembles de prédiction plus précis que les méthodes existantes.
Le papier présente FRONT, un cadre novateur qui extrait les connaissances fondamentales d'un modèle pré-entraîné via des composantes de basse fréquence dans le domaine spectral pour initialiser efficacement des modèles de tailles arbitraires sans entraînement, tout en accélérant la convergence et en réduisant les coûts de calcul.
Cet article propose un cadre pré-entraîné informé par la dynamique neuronale qui surpasse les méthodes dominantes en permettant la construction de réseaux fonctionnels cérébraux personnalisés et généralisables à travers des scénarios hétérogènes.
Cette étude propose une approche de modélisation par substitut combinant des autoencodeurs convolutifs et des équations différentielles ordinaires neuronales pour prédire rapidement l'ignition de fusées par laser, réduisant ainsi considérablement le coût de calcul des simulations complexes tout en permettant une exploration efficace de l'espace des paramètres.
Ce papier présente Obliviator, une méthode d'effacement de concepts post-hoc qui surpasse les approches existantes en protégeant contre les attaques non linéaires tout en préservant l'utilité des représentations grâce à une approche itérative qui quantifie le compromis entre protection et utilité.
Le papier présente DreamSAC, un cadre qui améliore la généralisation extrapolaire des modèles de monde en apprenant des lois physiques sous-jacentes grâce à une stratégie d'exploration par symétrie motivée par la curiosité et un modèle hamiltonien auto-supervisé.
Ce papier présente COOL-MC, un outil qui vérifie et explique les politiques d'apprentissage par renforcement pour la maintenance de réseaux de ponts en combinant l'apprentissage par renforcement, le model checking probabiliste et des méthodes d'explicabilité afin d'évaluer formellement la sécurité et d'identifier les biais dans les stratégies de maintenance.
Cette étude démontre qu'une approche centrée sur les données, combinant un prétraitement rigoureux, un équilibrage des classes et une architecture CNN-VAE simplifiée, permet d'atteindre des performances compétitives pour la classification des ECG sur le jeu de données PTB-XL tout en réduisant considérablement la complexité du modèle.
Cet article propose GRD-Net, une nouvelle architecture combinant un réseau génératif et un module d'attention sur les régions d'intérêt pour détecter et localiser les anomalies de surface dans des contextes industriels, notamment sur des données pharmaceutiques, en apprenant à partir de produits sains et de défauts synthétiques.
Cette étude remet en question l'efficacité réelle de l'attaque par inférence de membre LiRA en démontrant que, sous des hypothèses plus réalistes incluant des modèles anti-surapprentissage, des seuils calibrés sur des données d'ombre et des priors déséquilibrés, son pouvoir d'attaque diminue considérablement et sa reproductibilité s'avère limitée.
Cet article propose un nouveau solveur neuronal génératif fusionnant un modèle de diffusion de graphes de bruit discret avec un solveur autorégressif pour apprendre les contraintes des problèmes de routage de véhicules et améliorer la robustesse ainsi que les performances sur des distributions hétérogènes.