4887 articles
Les auteurs proposent une architecture qui partitionne l'espace d'entrée en exploitant une mesure de variance intrinsèque pour quantifier l'hétérogénéité des données d'entraînement, permettant ainsi d'améliorer significativement la précision des modèles grâce à une purification des données et un apprentissage par blocs.
Cet article propose un cadre théorique et algorithmique novateur qui intègre la théorie des groupes et les entropies de groupe pour créer une famille infinie et flexible d'algorithmes de Descente Miroir, permettant d'adapter les mises à jour d'optimisation aux propriétés statistiques des données grâce à une nouvelle notion de « dualité miroir ».
Cet article présente une approche non supervisée et sans contexte basée sur un GAN auto-conditionné qui apprend différents modes de mouvement à partir de trajectoires 2D, surpassant les méthodes existantes dans la prédiction de trajectoires pour les mouvements humains et les agents routiers.
Cette étude analyse les limites théoriques et pratiques de l'apprentissage par renforcement non supervisé avec récompenses vérifiables (URLVR), révélant que les méthodes intrinsèques conduisent inévitablement à un effondrement du modèle lorsque la confiance initiale est mal alignée avec la justesse, tout en identifiant des pistes prometteuses via des récompenses externes basées sur l'asymétrie computationnelle.
Cet article présente la caractérisation et l'amélioration d'une architecture hybride de réseau de neurones graphiques quantiques (QGNN) destinée à reconstruire les trajectoires de particules chargées dans les futures expériences du LHC à haute luminosité, en démontrant une convergence d'entraînement accrue grâce à l'intercalage de circuits quantiques paramétrés et de réseaux classiques.
Ce papier propose une version accélérée de l'algorithme SVGD-EM, baptisée Momentum SVGD-EM, qui intègre l'accélération de Nesterov dans les mises à jour des paramètres et des mesures de probabilité pour améliorer la convergence de l'estimation du maximum de vraisemblance marginale.
En utilisant le cadre de recherche évolutionnaire guidée par l'IA nommé AlphaEvolve, cette étude établit une nouvelle borne inférieure de 2,0749 pour le rapport entre l'efficacité optimale et celle du mécanisme de l'offreur aléatoire dans le commerce bilatéral, démontrant ainsi un écart d'efficacité plus large que prévu.
Cet article introduit les modèles de goulot d'étranglement causaux structurels (SCBMs), une nouvelle classe de modèles causaux qui postulent que les effets entre variables de haute dimension dépendent uniquement de statistiques résumées de basse dimension, offrant ainsi un cadre flexible pour la réduction de dimension et l'estimation d'effets dans des contextes de transfert à faible échantillonnage.
Ce papier présente Trilobyte, une méthode de tokenisation au niveau du byte permettant pour la première fois la compression audio sans perte par modèles de langage sur des fichiers haute fidélité (jusqu'à 24 bits), bien que les gains de compression par rapport aux codecs existants diminuent à mesure que la profondeur de bits augmente.
Cet article propose une approche d'optimisation conjointe des couches de partitionnement et des affectations clients-agrégateurs dans l'apprentissage fédéré fractionné hiérarchique, démontrant par des heuristiques novatrices une amélioration de la précision de 3 % et une réduction de 20 % du délai et de 50 % de la surcharge par rapport aux méthodes de l'état de l'art.
L'article propose l'Agentic Critical Training (ACT), une méthode d'apprentissage par renforcement qui permet aux agents de développer un raisonnement autonome sur la qualité de leurs actions plutôt que d'imiter des réflexions préconçues, améliorant ainsi significativement leurs performances et leur capacité de généralisation.
Ce papier présente Impermanent, un benchmark en direct évaluant la généralisation temporelle des modèles de prévision de séries temporelles sur des flux de données continus et non stationnaires (basés sur l'activité GitHub), afin de dépasser les limites des évaluations statiques traditionnelles et de mesurer la robustesse face aux changements de distribution dans le temps.
Cet article propose une approche basée sur des modèles à fréquences mixtes pour prédire le taux de change CAD/USD, démontrant ainsi son efficacité pour surmonter les limites de l'agrégation temporelle et résoudre le problème de l'imprévisibilité des taux de change.
Cet article propose un cadre interprétable basé sur des concepts médicaux clés et un réseau de convolution graphique (GCN) pour expliquer les décisions des classificateurs d'images échographiques fœtales selon la cognition clinique, surmontant ainsi le manque de transparence des réseaux de neurones profonds traditionnels.
Ce papier présente un modèle de corrélation basé sur des réseaux de neurones et des LSTM intégrant des données sur la COVID-19, la dengue et des facteurs externes, démontrant des tendances similaires entre les deux maladies et permettant d'estimer les cas de dengue dans les pays où les données sont insuffisantes.
Cet article présente une méthode innovante utilisant des réseaux de neurones à graphes appliqués à des graphes de facteurs pour réaliser une estimation d'état linéaire rapide, évolutive et robuste dans les réseaux de transmission équipés d'unités de mesure phasoriques (PMU), garantissant une précision élevée et une résilience locale face aux défaillances des capteurs.
Cet article présente Ancestral GFlowNet (AGFN), un algorithme d'apprentissage par renforcement qui permet d'inférer la distribution des graphes ancestraux en intégrant de manière itérative des connaissances d'experts incertaines, tant a priori qu'a posteriori, pour affiner la découverte causale en présence de confondants latents.
Cet article propose un cadre unifié pour l'apprentissage d'objets inconnus à partir de mesures linéaires arbitraires via des modèles non linéaires généraux, établissant de nouvelles garanties de généralisation optimales basées sur la variation du modèle et l'intégrale d'entropie, tout en unifiant et en étendant des résultats existants tels que le compressed sensing avec des modèles génératifs.
Cet article établit des bornes inférieures théoriques pour l'énergie nécessaire à la résolution de problèmes par des optimiseurs neuromorphiques utilisant l'apprentissage en mémoire, en modélisant la thermodynamique hors équilibre de ces systèmes pour en déduire une efficacité énergétique dépendant uniquement du nombre d'opérations, de la taille du modèle, de la vitesse de convergence et de la précision.
Cet article propose un système de détection d'hallucinations visuelles dans les images de personnages de dessins animés générés par IA, utilisant un modèle vision-langage enrichi par des informations de pose et l'apprentissage en contexte pour améliorer significativement la précision par rapport aux méthodes basées uniquement sur les images RVB.