5190 articles
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.
Le modèle de diffusion BInD, guidé par des connaissances, surmonte les limites des méthodes existantes de conception de médicaments basée sur la structure en générant simultanément des molécules et leurs interactions avec une protéine cible, permettant ainsi d'optimiser de manière équilibrée les objectifs multiples tels que les interactions spécifiques, les propriétés moléculaires et la géométrie locale.
Cette article présente un pipeline d'apprentissage actif en deux étapes pour la reconnaissance automatique de la parole, combinant le clustering d'x-vectors pour la diversité et une méthode bayésienne basée sur le dropout Monte Carlo pour l'information, afin d'optimiser l'entraînement des modèles avec moins de données étiquetées.
Ce travail présente une revue complète et une spécification formelle des réseaux de codage prédictif, un cadre inspiré des neurosciences qui utilise l'apprentissage par inférence comme alternative biologiquement plausible et potentiellement plus efficace à la rétropropagation, tout en offrant une approche unifiée pour l'apprentissage supervisé et génératif.
Cet article soutient que les grands modèles de langage, bien qu'ils ne possèdent pas d'agence autonome car ils échouent à satisfaire les conditions d'individualité, de normativité et d'asymétrie interactionnelle requises par les théories incarnées de l'esprit, doivent être définis comme des interlocuteurs linguistiques qui, par leur couplage avec les humains, transforment profondément les formes d'agence existantes en produisant des modalités d'agence « intermédiaires » (midtended) dépassant la simple instrumentalité étendue.
Le papier présente PACE, une méthode de fine-tuning efficace en paramètres qui améliore la généralisation des modèles en réduisant les normes des gradients et en assurant la cohérence des modèles via une régularisation par bruit multiplicatif, surpassant ainsi les approches existantes sur diverses tâches visuelles et textuelles.
Le papier présente FALCON, une méthode d'apprentissage auto-supervisé unifiée pour la reconnaissance d'actions par drone, qui surmonte les déséquilibres spatiaux des vidéos aériennes en intégrant un masquage centré sur les objets et une reconstruction du futur à double horizon pour améliorer la précision et la vitesse d'inférence.
Cet article propose une méthode d'apprentissage auto-supervisé basée sur l'auto-cohérence et un réseau léger pour reconstruire efficacement des données sismiques irrégulières sans nécessiter de jeux de données supplémentaires.
Le papier présente Ditto, un cadre de synthèse de têtes parlantes basé sur la diffusion qui permet un contrôle fin et une inférence en temps réel en générant des représentations dans un espace de mouvement spécifique tout en optimisant l'architecture pour résoudre les problèmes de désentanglement et de latence.
Cet article propose des variantes parcimonieuses des machines à vecteurs de support sur des surfaces quadratiques (QSVM) en imposant une contrainte de cardinalité via la norme , et développe un algorithme de décomposition de pénalité efficace pour résoudre ce problème d'optimisation complexe tout en démontrant la supériorité du modèle sur des données de crédit réelles.