5622 articles
Cette étude propose l'utilisation d'un autoencodeur de Koopman en temps continu comme modèle substitut léger et stable pour la prévision à long terme de l'état océanique, surpassant les modèles autoregressifs par une croissance d'erreur bornée et une inférence nettement plus rapide tout en préservant les statistiques énergétiques globales.
Ce papier propose un modèle théorique démontrant que l'IA générative, tout en homogénéisant les compétences individuelles, peut paradoxalement accroître les inégalités globales en concentrant la valeur économique sur des actifs complémentaires, créant ainsi deux régimes d'inégalité distincts selon la structure technologique et les institutions du marché du travail.
Ce papier propose CDDS, un nouvel algorithme d'alignement cross-modal qui utilise un décodage contraint et un échantillonnage de distribution pour isoler les véritables sémantiques des informations modales, surpassant ainsi les méthodes de l'état de l'art de 6,6 % à 14,2 %.
Le papier présente FuseDiff, un modèle de diffusion de bout en bout qui génère conjointement une molécule et ses deux poses de liaison spécifiques à des cibles distinctes en préservant les symétries et la cohérence topologique, permettant ainsi une conception de médicaments polypharmacologiques plus efficace.
Cet article propose une méthode d'inférence de règles de traitement individualisées robustes (PDRO-ITR) intégrant des données multi-sources pour surmonter les décalages de distribution postérieure et garantir des performances optimales dans le pire des cas.
Cette étude présente un pipeline d'apprentissage automatique explicable intégrant des données transcriptomiques en vrac et à l'échelle cellulaire du sang et du liquide céphalo-rachidien pour identifier de nouveaux biomarqueurs et mécanismes moléculaires, notamment liés à l'activation immunitaire et au virus d'Epstein-Barr, dans la pathogenèse de la sclérose en plaques.
En adoptant une perspective de contrôle algébrique de Lie, cette étude démontre théoriquement et valide expérimentalement que l'erreur d'approximation dans les modèles de séquences parallélisables diminue exponentiellement avec la profondeur, grâce à une correspondance entre la profondeur du modèle et la tour des extensions d'algèbres de Lie.
Cet article propose une méthode d'inférence conditionnelle sans modèle paramétrique qui combine une localisation par noyaux et des prédictions d'apprentissage automatique pour réduire la variance des estimateurs tout en garantissant la validité statistique, même lorsque les données étiquetées sont rares.
Cet article propose le DKSD-AE, un autoencodeur structuré combinant un opérateur de Koopman et une normalisation d'instance pour apprendre des représentations de locuteur décorrélées du contenu linguistique sans supervision textuelle, tout en surpassant ou égalant les performances des méthodes de l'état de l'art avec moins de paramètres.
Cet article présente une nouvelle approche hybride combinant des heuristiques spécifiques au domaine ferroviaire et l'apprentissage par renforcement (Q-learning) pour optimiser efficacement le triage des wagons dans des gares de fret, que ce soit avec un accès unilatéral ou bilatéral.
Cette étude propose un cadre d'analyse GeoAI hybride combinant MGWR, Random Forest et ST-GCN pour modéliser avec une grande précision les interactions spatio-temporelles hétérogènes entre l'usage des sols et les flux de trafic multimodaux, offrant ainsi aux urbanistes un outil interprétable pour la gestion de la mobilité et la conception de politiques foncières.
Ce papier présente la méthode BISE, qui permet d'extraire des sous-réseaux exempts de biais à partir de modèles pré-entraînés standards par simple élagage, sans nécessiter de réentraînement ni de données supplémentaires.
Cette étude démontre que le pré-entraînement d'un tokeniser via un objectif d'auto-encodage améliore significativement l'efficacité et la précision des modèles de fondation en physique, en particulier lorsque le pré-entraînement est réalisé sur le même système physique que la tâche finale.
Cet article propose le premier cadre de vérification robuste couplée pour les détecteurs de points clés basés sur des cartes de chaleur, qui garantit la robustesse en bornant les déviations conjointes de tous les points clés via un problème de falsification résolu par programmation linéaire en nombres entiers mixtes (MILP).
L'article présente behavior-dLDS, un modèle de systèmes dynamiques linéaires décomposés qui permet de dissocier les sous-systèmes neuronaux liés au comportement de ceux dédiés aux calculs internes, démontrant ainsi son efficacité sur des données simulées et des enregistrements à grande échelle chez le poisson-zèbre.
Le papier présente RACAS, une architecture agentic basée sur des modèles de langage qui permet de contrôler de manière unifiée et sans réentraînement divers robots (terrestres, sous-marins et articulés) en se fiant uniquement à des descriptions et commandes en langage naturel.
Cet article propose un cadre novateur permettant d'identifier les caractéristiques probables d'un attaquant à partir d'une attaque observée sur des modèles d'apprentissage automatique, afin de renforcer les défenses par des mesures exogènes ou par l'optimisation des algorithmes d'apprentissage.
Ce papier propose l'interpolated FID (iFID), une nouvelle métrique dérivée du rFID qui, en interpolant les représentations latentes avec leurs plus proches voisins, établit pour la première fois une forte corrélation avec le FID de génération des modèles de diffusion, contrairement au rFID classique.
Cet article propose l'« Implicit Error Counting » (IEC), une méthode d'apprentissage par renforcement sans référence qui remplace les rubriques d'évaluation par un comptage d'erreurs pondérées, démontrant ainsi son efficacité supérieure à l'approche « Rubrics as Rewards » pour le réessayage virtuel de vêtements où plusieurs réponses valides existent.
Cet article démontre que l'intégration d'encodages graphiques dérivés de données sur et hors terrain dans des modèles d'apprentissage supervisé améliore significativement la prédiction des salaires des joueurs de la NBA, en particulier pour les vétérans et les cas extrêmes où les approches tabulaires classiques échouent.