5633 articles
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.
Cet article propose l'utilisation de l'apprentissage par renforcement pour concevoir des réseaux électriques présentant un nombre d'équilibres de flux de puissance supérieur à la moyenne, surpassant ainsi les méthodes algébriques computationnelles actuelles pour les réseaux complexes.
Cet article démontre que l'apprentissage d'un modèle fort à partir des labels imparfaits d'un modèle faible via la régression ridge à caractéristiques aléatoires permet d'améliorer substantiellement les lois d'échelle de l'erreur de test, permettant au modèle fort d'atteindre des taux optimaux même lorsque le modèle faible ne voit pas son erreur diminuer avec la taille de l'échantillon.
Cette étude examine les stratégies de parallélisation pour le déploiement de modèles de langage denses, démontrant que la parallélisation tensorielle optimise la latence tandis que la parallélisation pipeline favorise le débit, permettant ainsi de maîtriser le compromis entre les deux via une configuration hybride.
Ce papier établit une correspondance formelle entre les machines de Moore et les modèles d'espace d'état (SSM), démontrant que l'initialisation des SSMs par des automates appris symboliquement permet d'accélérer la convergence et d'améliorer la précision par rapport à une initialisation aléatoire.
Cet article établit un cadre géométrique basé sur les fibrés principaux pour analyser les limitations fondamentales et les opportunités de l'apprentissage des équations différentielles régissant l'évolution des réseaux temporels modélisés par des graphes à produit scalaire aléatoire, en démontrant que la structure dynamique peut résoudre l'ambiguïté de jauge tout en révélant un lien inextricable entre la difficulté géométrique et statistique.
Bien que l'intelligence artificielle promette d'accélérer la production d'informations climatiques, ce papier met en garde contre le risque qu'elle exacerbe les inégalités mondiales en raison d'une infrastructure inégale et de biais de données, et propose une transition vers des modèles centrés sur les données, des infrastructures numériques publiques et une co-production des connaissances pour garantir une résilience équitable.
Cette étude démontre que l'adaptation de domaine non supervisée, en particulier via la minimisation de la divergence maximale de moments (MMD), permet d'améliorer significativement la capacité d'un modèle d'identification de radioisotopes, entraîné sur des données synthétiques, à se généraliser à des environnements expérimentaux réels en utilisant des données cibles non étiquetées.
En réexaminant l'alignement au moment de l'inférence sous l'angle du taux de victoire plutôt que de la récompense attendue, cette étude démontre que l'échantillonnage Best-of-N est statistiquement optimal et propose une variante simple qui élimine le piratage de la récompense tout en conservant cette optimalité.