4680 articles
Cette étude présente une comparaison systématique de quatre objectifs d'entraînement pour la détection d'images hors distribution, révélant que la fonction de perte par entropie croisée offre les performances les plus cohérentes sur divers jeux de données et scénarios.
Cet article présente TS-MLLM, un cadre unifié de modèle de langage multimodal conçu pour l'analyse des données temporelles industrielles en intégrant dynamiquement les signaux temporels, les représentations visuelles fréquentielles et les connaissances textuelles afin d'améliorer la gestion de la santé et la prédiction des équipements.
Cet article présente un cadre semi-supervisé d'analyse d'anomalies basé sur une architecture générative adversaire, conçu pour être déployé en ligne sur une chaîne de production pharmaceutique haute vitesse (Blow-Fill-Seal) afin de détecter et localiser les défauts avec une grande précision tout en respectant des contraintes de temps strictes.
Cet article présente un cadre de génération procédurale d'un dataset de sons de moteur annoté avec précision, qui extrait les structures harmoniques de vrais enregistrements pour alimenter un synthétiseur paramétrique et fournir des données standardisées essentielles à la recherche en conception sonore automobile.
Ce papier présente StructAttack, une méthode de contournement de sécurité qui exploite la capacité de raisonnement des modèles vision-langage pour assembler des blocs visuels bénins en une structure cohérente et malveillante via un remplissage de slots sémantiques, permettant ainsi de générer des réponses dangereuses sans déclencher les mécanismes de protection.
Ce papier propose DSS-GRPO, une méthode d'apprentissage par renforcement segmentée et adaptée à la difficulté qui comprime les traces de raisonnement explicite sans altérer la qualité des réponses finales en séparant strictement les signaux d'apprentissage entre les phases de réflexion et de réponse.
Le papier présente MetaSort, un algorithme novateur qui combine un algorithme de franchissement de niveau adaptatif pour la compression et un apprentissage par transfert méta pour la classification, afin de traiter simultanément la compression et le tri des signaux de pointes neuronales avec une grande fidélité.
Ce papier présente TT-Sparse, une architecture neuronale utilisant des tables de vérité différentiables et un opérateur TopK doux pour apprendre des modèles à règles parcimonieux qui offrent à la fois des performances prédictives supérieures et une interprétabilité exacte sous forme de formules booléennes compactes.
Cet article présente MAS-H2, un système multi-agents hiérarchique conçu pour Kubernetes qui résout le problème du vide stratégique en décomposant l'autoscaling en trois couches (stratégique, planification et exécution), permettant ainsi une gestion proactive des ressources qui réduit significativement la charge CPU et les coûts par rapport aux solutions natives.
Ce papier propose un nouveau cadre de représentation visuelle implicite qui encode les signaux comme des fonctions paramétrées par des adaptations à faible rang sur un modèle génératif gelé, permettant ainsi une compression vidéo perceptuelle extrêmement efficace et unifiée avec la génération.
Cet article présente SMAT, une méthode d'entraînement multi-agents en quatre étapes qui permet à un exosquelette de hanche de co-s'adapter de manière stable avec l'utilisateur, réduisant ainsi l'activation musculaire de 10,1 % et fournissant une assistance mécanique positive cohérente sans nécessiter de recalibrage spécifique à chaque sujet.
Cet article présente un accélérateur basé sur la photonique sur silicium qui améliore l'efficacité énergétique et le débit des modèles de diffusion pour l'IA générative, surpassant les solutions électroniques actuelles d'au moins 3 fois et 5,5 fois respectivement.
Cet article présente un cadre de validation quantitatif pour des contrôleurs d'exosquelette entraînés par apprentissage par renforcement en simulation, démontrant qu'ils peuvent réduire efficacement les moments articulaires biologiques et prédire avec précision les couples d'assistance, tout en soulignant les défis persistants du transfert vers la réalité.
Le papier présente HELIX, un cadre d'apprentissage par renforcement évolutionnaire hiérarchique intégrant des expériences en contexte, qui améliore la résolution de problèmes scientifiques ouverts et dépasse les performances des modèles actuels sur des tâches complexes comme l'empaquetage de cercles et des benchmarks d'apprentissage automatique.
Cet article présente une pipeline de génération de données synthétiques basée sur un jumeau numérique de l'aéroport d'Alger pour entraîner un détecteur de chariots à bagages, démontrant que l'entraînement mixte avec ces données et seulement 40 % d'annotations réelles permet d'atteindre des performances équivalentes à l'utilisation de l'ensemble des données réelles tout en réduisant l'effort d'annotation de 25 à 35 %.
Cet article propose FedCEF, un nouvel algorithme de fédéré pour l'optimisation composite non convexe qui combine une mise à jour proximale découplée, un mécanisme de rétroaction d'erreur et une stratégie de reconstruction descendante pour garantir une convergence robuste et une efficacité communicationnelle élevée, même avec des données hétérogènes et une compression agressive.
Cet article propose une synthèse critique des méthodes numériques classiques et des approches d'apprentissage machine pour la résolution d'équations aux dérivées partielles, en soulignant leurs distinctions épistémologiques fondamentales et en établissant des principes pour la conception de méthodes hybrides efficaces.
Cet article propose un cadre théorique unifié pour quantifier les relations entre différentes métriques d'évaluation, en utilisant des concepts tels que l'ensemble bayésien optimal et le transfert de regret, afin de combler le fossé entre les améliorations hors ligne et les performances en ligne.
Cette thèse propose de surmonter le goulot d'étranglement de la mémoire en faisant évoluer la conception microarchitecturale d'une approche agnostique des données vers une approche informée par les données, en utilisant des techniques d'apprentissage automatique et l'exploitation des caractéristiques sémantiques pour optimiser significativement les performances et l'efficacité énergétique.
Ce rapport présente les optimisations intégrées de Megatron Core pour le entraînement évolutif des modèles à mélange d'experts (MoE), couvrant la mémoire, la communication et le calcul afin d'atteindre des performances élevées sur des clusters massifs tout en offrant une solution open-source prête pour la production.