5205 articles
Ce rapport de synthèse présente une vue d'ensemble structurée des techniques, des ensembles de données et des enjeux éthiques liés à l'utilisation des grands modèles de langage pour assister les chercheurs dans l'ensemble du cycle scientifique, de la découverte et l'expérimentation à la génération de contenu multimodal et à l'évaluation.
Ce papier présente FragFM, un cadre hiérarchique innovant basé sur l'appariement de flux discret au niveau des fragments pour générer efficacement des graphes moléculaires avec un meilleur contrôle des propriétés, tout en introduisant le benchmark NPGen pour évaluer la génération de produits naturels.
Ce papier présente SysDPO, un cadre innovant qui étend l'optimisation directe des préférences (DPO) pour aligner les systèmes d'IA composés, modélisés comme des graphes acycliques dirigés, en surmontant les défis liés aux interactions non différentiables et à l'alignement au niveau du système.
Cet article examine la robustesse des classificateurs quantiques partitionnés face aux perturbations adverses ciblant le découpage de circuits ou la téléportation, en établissant un lien théorique et expérimental entre ces attaques et l'implémentation de portes adverses au sein des couches intermédiaires du modèle.
Ce papier présente CAPS, une méthode de rééchantillonnage prioritaire contextuel utilisant des VQ-VAE pour équilibrer les données d'apprentissage par imitation et améliorer la généralisation des systèmes de conduite autonome dans le simulateur CARLA.
Cette étude démontre que, bien que les modèles de langage (LLM) présentent un certain potentiel pour la prévision de séries temporelles, leur performance reste limitée et ne surpasse pas systématiquement celle des modèles spécifiquement entraînés sur de vastes ensembles de données temporelles, une conclusion rendue possible par une méthodologie contrôlée visant à éliminer les biais introduits par les coupleurs de tokenisation.
En adoptant une approche centrée sur les survivants, cette étude expose l'écosystème technique malveillant facilitant la création d'images intimes non consensuelles générées par l'IA et démontre l'inefficacité des cadres de gouvernance actuels, tels que le rapport NIST AI 100-4, pour réguler ce phénomène.
Ce document de synthèse présente une vue d'ensemble complète de l'apprentissage fédéré, en détaillant son architecture, ses défis techniques majeurs tels que l'hétérogénéité des données et la confidentialité, ainsi que ses applications émergentes et ses perspectives de recherche futures.
Cet article présente FourierSpecNet, une méthode hybride combinant la méthode spectrale de Fourier et l'apprentissage profond pour approximer efficacement l'opérateur de collision de l'équation de Boltzmann avec une précision compétitive et une réduction significative des coûts de calcul, tout en garantissant la convergence vers la solution spectrale.
Cet article propose une architecture innovante de Réseau de Neurones à Graphes Hétérogènes (HGNN) intégrant l'élagage de graphes et l'apprentissage multi-tâches pour améliorer de manière scalable la reconstruction des événements de collision de particules, notamment celle des hadrons beaux, dans des conditions similaires à celles de l'expérience LHCb.
Le papier présente RM-R1, une nouvelle classe de modèles de récompense génératifs qui améliorent l'interprétabilité et les performances en traitant la modélisation de la récompense comme un tâche de raisonnement via un mécanisme de « chaîne de critères » et un pipeline d'entraînement combinant distillation et apprentissage par renforcement.
Cet article propose une variante de la descente de miroir entropique avec un pas de type Polyak pour résoudre des systèmes linéaires sans hypothèses restrictives, établissant ainsi des résultats de convergence et en renforçant les bornes sur le biais implicite en norme .
Ce papier présente EVA, un nouveau cadre d'apprentissage de caractéristiques asynchrones inspiré du langage qui surpasse les méthodes existantes en reconnaissance et devient le premier à réussir des tâches de détection exigeantes pour les caméras d'événements.
Ce papier présente ESGenius, le premier benchmark complet évaluant les capacités des grands modèles de langage sur les connaissances en matière d'ESG et de durabilité via un ensemble de questions et un corpus de documents de référence, démontrant que l'approche RAG améliore significativement les performances, en particulier pour les modèles plus petits.
Le papier présente ContextBench, un benchmark évaluant la capacité à générer des entrées linguistiquement fluides activant des comportements ou caractéristiques latentes spécifiques dans les modèles de langage, et démontre que des variantes améliorées de l'optimisation évolutive de prompts surpassent les méthodes actuelles pour équilibrer efficacité d'élicitation et fluidité.
Le papier présente Sysformer, une méthode novatrice qui améliore la sécurité des grands modèles de langage sans modifier leurs paramètres en apprenant à adapter dynamiquement les invites système en fonction des entrées utilisateur, réduisant ainsi considérablement les réponses nocives tout en augmentant la conformité aux demandes sûres.
Le papier propose SPoT, une nouvelle stratégie de tokenisation pour les Vision Transformers qui positionne continuellement les tokens au niveau subpixel grâce à une recherche guidée par oracle, permettant ainsi de réduire considérablement le nombre de tokens nécessaires pour des prédictions précises tout en transformant la sparsité en un avantage stratégique.
Ce papier propose QCAI, une nouvelle méthode post-hoc pour interpréter les mécanismes d'attention croisée dans les transformateurs utilisés pour modéliser la liaison TCR-pMHC, et démontre sa supériorité grâce au benchmark TCR-XAI basé sur des structures expérimentales.
Ce papier présente DejaVu, une attaque exploitant le réseau in-vehicule pour créer des désalignements temporels subtils entre les flux caméra et LiDAR, qui dégradent sévèrement les performances de fusion multimodale dans la conduite autonome en provoquant des pertes de détection et de suivi d'objets, voire des accidents.
Cet article propose un cadre innovant d'apprentissage par curriculum automatique pour la conduite autonome, où un agent « enseignant » basé sur l'apprentissage par renforcement multi-agents génère dynamiquement des comportements de trafic variés pour entraîner un agent « étudiant », améliorant ainsi la robustesse et l'équilibre de la conduite par rapport aux méthodes traditionnelles.