2167 articles
Cet article propose un cadre unifié pour évaluer comment la personnalisation des modèles d'apprentissage automatique affecte simultanément la précision des prédictions et la clarté des explications, en démontrant que ces impacts peuvent diverger et en établissant des limites théoriques pour détecter ces effets dans des contextes réels.
Cet article propose une méthodologie pratique basée sur la notion de « signature spatiale » d'un ensemble de données pour évaluer et garantir la robustesse des évaluations de données par semi-valeurs face aux variations du choix de l'utilité.
Cet article présente un cadre intégré de type Real2Sim2Real pour la manipulation d'objets linéaires déformables, qui utilise l'inférence sans vraisemblance pour estimer les paramètres physiques à partir de données visuelles et proprioceptives afin d'entraîner des politiques visuomotrices en simulation et de les déployer avec succès dans le monde réel sans ajustement supplémentaire.
Cet article propose une méthode de rééquilibrage de l'importance des caractéristiques (FIR) qui améliore la fiabilité des indices de validité de clustering dans des mélanges gaussiens bruyants en atténuant l'influence des caractéristiques non pertinentes, renforçant ainsi la corrélation avec la vérité terrain même en présence de données de haute dimension.
Le papier présente HyConEx, un classifieur basé sur des hyperréseaux conçu pour les données tabulaires, qui génère simultanément des prédictions et des explications locales sous forme d'exemples contrefactuels, comblant ainsi le vide laissé par l'absence de classifieurs interprétables produisant directement des échantillons contrefactuels.
Cet article propose des formulations de programmation linéaire en nombres entiers pour construire des arbres de modèles optimaux avec des machines à vecteurs de support linéaires dans les feuilles, démontrant que cette approche globale permet d'obtenir des arbres plus petits et aussi précis que les méthodes gloutonnes ou d'autres algorithmes d'apprentissage automatique sur un large éventail de jeux de données.
Cet article propose une critique conséquentialiste des méthodes d'évaluation binaire en machine learning, démontrant par une revue empirique et un nouveau cadre théorique que les règles de score appropriées comme le score Brier sont supérieures aux métriques à seuil fixe, tout en fournissant l'outil logiciel `briertools` et une variante tronquée pour faciliter leur adoption pratique.
Cet article présente CDGLT, un cadre novateur et économe en calcul pour l'identification des métaphores multimodales qui utilise un mécanisme de dérive conceptuelle et un ajustement de la normalisation par couches pour atteindre des performances de pointe sur le benchmark MET-Meme.
L'article présente la SGPO, une méthode qui améliore l'optimisation par politique relative de groupe (GRPO) en intégrant un juge étape par étape pour exploiter les signaux d'apprentissage des groupes de réponses entièrement incorrects, comblant ainsi une lacune majeure de l'apprentissage par renforcement dans le raisonnement des grands modèles de langage.
Ce papier présente la Machine de Boltzmann Restreinte Gaussienne-Multinoulli (GM-RBM), une extension du modèle Potts qui remplace les unités cachées binaires par des unités catégorielles à q états pour mieux représenter des concepts multivalués, démontrant ainsi des performances supérieures ou compétitives sur des tâches de mémoire structurée et de rappel analogique par rapport aux modèles continus équivalents.
Le papier propose JULI, une méthode de contournement (jailbreak) des grands modèles de langage qui, en exploitant uniquement les probabilités logarithmiques des tokens via un petit module appelé BiasNet, permet de compromettre efficacement des modèles propriétaires accessibles par API dans un cadre de boîte noire.
Cet article propose une méthode innovante pour découvrir des équations différentielles symboliques à partir de données en utilisant des invariants de symétrie comme entités atomiques, garantissant ainsi que les lois physiques découvertes respectent les symétries du système tout en améliorant l'efficacité et la précision des algorithmes existants.
L'article présente UltraEdit, une méthode de mise à jour des connaissances dans les grands modèles de langage qui, sans nécessiter de réentraînement, de suivi des sujets ni de mémoire externe, permet une édition en temps réel ultra-rapide et économe en ressources tout en supportant jusqu'à deux millions de modifications grâce à une stratégie de normalisation continue.
Cette étude propose une méthodologie systématique pour évaluer les grands modèles de langage sur des appareils mobiles, démontrant que les modèles volumineux fortement quantifiés surpassent les modèles plus petits à haute précision et offrant des directives pour optimiser leur déploiement dans des environnements aux ressources limitées.
Le papier présente Saturn, un cadre d'apprentissage par renforcement basé sur les problèmes de satisfaisabilité booléenne (SAT) qui surmonte les limitations d'évolutivité, de vérification et de contrôle de difficulté des tâches existantes pour améliorer significativement les capacités de raisonnement des grands modèles de langage.
Le papier présente FrontierCO, un benchmark à grande échelle et fondé sur des structures réelles pour évaluer les solveurs d'optimisation combinatoire par apprentissage automatique, révélant un écart de performance persistant par rapport aux solveurs classiques sur des instances massives tout en identifiant des cas où les méthodes ML surpassent les approches traditionnelles.
Cet article propose SemiCP, une méthode de prédiction conforme semi-supervisée qui améliore la stabilité de la couverture en exploitant des données non étiquetées via un score de non-conformité basé sur l'appariement des plus proches voisins, réduisant ainsi considérablement l'erreur de couverture dans des scénarios à faible étiquetage.
Cet article propose un cadre général, nommé Sticky-Sequence Track-and-Stop, qui résout les problèmes d'exploration pure avec un ensemble infini de réponses possibles et garantit une optimalité asymptotique là où les méthodes existantes échouent.
Ce papier présente TSRating, un cadre unifié qui exploite le jugement de grands modèles de langage (LLM) et un apprentissage méta pour évaluer efficacement la qualité de données de séries temporelles provenant de domaines diversifiés, surpassant ainsi les méthodes existantes en précision et en adaptabilité.
Cette présentation propose CORA, une méthode d'attribution de crédit pour l'apprentissage par renforcement multi-agent coopératif qui utilise l'allocation du noyau de la théorie des jeux coopératifs et l'échantillonnage aléatoire de coalitions pour optimiser l'apprentissage des politiques en attribuant les avantages globaux aux stratégies de coalition.