2315 articles
Cette étude démontre que, pour la prévision des ventes au détail caractérisée par une demande intermittente et des données manquantes, les méthodes d'ensemble basées sur des arbres de décision comme XGBoost surpassent les architectures d'apprentissage profond, suggérant que l'adéquation aux spécificités du problème prime sur la sophistication architecturale.
Ce papier présente ReLIFT, une méthode d'entraînement qui alterne l'apprentissage par renforcement et le fine-tuning supervisé en ligne pour surmonter les limites du RL et permettre aux modèles de langage d'acquérir de nouvelles connaissances et capacités de raisonnement au-delà de leurs compétences initiales.
Ce papier propose une nouvelle classe de modèles séquentiels, les modèles prefix-scannables (PSM), qui généralisent les modèles à espace d'état en autorisant des opérateurs d'agrégation non associatifs comme le softmax, unifiant ainsi diverses architectures existantes tout en garantissant une inférence séquentielle efficace et une évaluation parallèle quasi constante.
Cette étude de synthèse examine l'évolution et l'intégration de la confidentialité différentielle dans les modèles d'apprentissage automatique, depuis l'IA symbolique jusqu'aux grands modèles de langage, afin de garantir le développement de systèmes d'IA sécurisés et responsables.
Cet article présente K-Sil, une variante du k-moyennes qui améliore la robustesse et la qualité du partitionnement en pondérant dynamiquement les instances selon une mesure de silhouette pour atténuer l'impact des points ambigus et des outliers.
Cet article présente le Yokai Learning Environment (YLE), un nouveau benchmark open-source pour la coordination zéro-shot qui, contrairement à l'environnement Hanabi, impose aux agents de construire un terrain d'entente en suivant des croyances dynamiques et en gérant des indices ambigus, révélant ainsi les limites des méthodes actuelles à généraliser leur collaboration avec des partenaires inconnus.
Cet article propose l'algorithme \texttt{SRTS} basé sur l'échantillonnage de Thompson pour l'optimisation du ratio de Sharpe dans un contexte de bandits stochastiques, en établissant des bornes de regret supérieures et inférieures prouvant son optimalité d'ordre logarithmique.
Cet article établit les conditions nécessaires et suffisantes pour l'universalité des simulateurs quantiques analogiques à contrôle global, propose une méthode de contrôle optimal direct pour synthétiser des Hamiltoniens complexes sous contraintes matérielles, et démontre expérimentalement la réalisation d'interactions à trois corps et de dynamiques topologiques sur une plateforme d'atomes de Rydberg.
Cet article propose une méthode rapide et garantie pour compléter des tenseurs de train en utilisant uniquement des opérations d'algèbre linéaire standard, exploitant un schéma d'observation où des fibres entières le long d'un seul mode sont soit totalement observées, soit totalement manquantes.
Cet article propose une méthode de résolution transférable pour les problèmes de contrôle optimal paramétriques, utilisant des politiques d'encodeur de fonctions et une décomposition hors ligne/en ligne pour permettre une adaptation zéro-shot efficace et quasi-optimale à de nouvelles tâches sans nécessiter de réoptimisation coûteuse.
Cet article explique théoriquement les avantages de la synchronisation de la température et du biais dans la perte de contraste sigmoïde (SigLIP) en caractérisant de nouvelles configurations optimales appelées « constellations », ce qui permet de justifier les performances de SigLIP, d'expliquer le décalage modal et de déterminer la dimensionnalité nécessaire pour des représentations de haute qualité.
Cette étude démontre que les architectures d'apprentissage profond, notamment U-Net et SCAN, surpassent les méthodes conventionnelles pour la segmentation précise des nuages et de leurs ombres dans les données hyperspectrales des missions MethaneSAT et MethaneAIR, garantissant ainsi une meilleure fiabilité des retraits de méthane.
Cette étude empirique à grande échelle révèle que les dépendances intra et inter-modales varient considérablement à travers 23 benchmarks de question-réponse visuelle, démontrant que de nombreuses évaluations conçues pour réduire les biais textuels amplifient paradoxalement la dépendance aux seules images, ce qui appelle une refonte des méthodologies d'évaluation du apprentissage multimodal.
Cet article propose un cadre pratique basé sur des API et une interface légère qui permet d'intégrer l'apprentissage automatique aux systèmes hérités sans coûts de mise à niveau ni temps d'arrêt, en offrant aux experts un contrôle interactif pour améliorer la qualité et la sécurité de la production.
Le papier présente SMoPE, un cadre novateur pour l'apprentissage continu basé sur des prompts qui intègre une architecture de mélange d'experts épars pour allier l'efficacité computationnelle des prompts partagés et la performance des prompts spécifiques à chaque tâche, réduisant ainsi les interférences et les coûts tout en maintenant des résultats compétitifs.
Le papier présente RADAR, un cadre de routage léger et interprétable qui optimise le compromis performance-coût des modèles de raisonnement en adaptant dynamiquement les requêtes aux paires modèle-budgétisation les plus appropriées en fonction de la difficulté de la requête et des capacités du modèle, inspiré par la psychométrie.
Ce papier présente Composer, un cadre de recherche modulaire qui découvre de nouvelles architectures hybrides de modèles de langage surpassant Llama 3.2 en termes de performance, d'efficacité et de précision sur des tâches en aval, en explorant systématiquement le vaste espace de conception des architectures neuronales.
Ce papier présente MIG-Vis, une méthode exploitant l'inférence de sous-espaces neuronaux et la synthèse guidée par l'information mutuelle via des modèles de diffusion pour révéler et visualiser la sélectivité sémantique structurée des groupes neuronaux dans le cortex visuel supérieur.
Cette étude démontre que la communication directe est un mécanisme de coordination plus fiable et robuste que l'apprentissage par curriculum pour favoriser la coopération entre agents LLM, car ce dernier peut, selon sa conception, induire un pessimisme appris et nuire aux objectifs d'alignement.
Cet article présente la première évaluation systématique de l'apprentissage auto-supervisé pour le stade du sommeil à partir d'EEG portables, démontrant qu'il permet d'atteindre une précision clinique supérieure à 80 % avec seulement 5 à 10 % de données étiquetées, surpassant ainsi les modèles supervisés et les modèles de fondation génériques.