2316 articles
L'article propose DT-BEHRT, un modèle de type Transformer enrichi par des graphes qui améliore la prédiction clinique et l'interprétabilité des dossiers médicaux électroniques en modélisant explicitement les trajectoires de maladies au sein des systèmes d'organes et en intégrant une préformation sémantique basée sur l'ontologie.
Ce papier établit un cadre théorique unifié reliant la stabilité des algorithmes de descente de miroir stochastique régularisée à une inférence statistique valide dans les bandits, démontrant que des variantes régularisées de l'algorithme EXP3 permettent d'obtenir simultanément des intervalles de confiance fiables, une régression minimax optimale et une robustesse aux corruptions adverses.
Le papier présente ARCHE, un cadre de compression d'images appris de bout en bout qui allie efficacité de modélisation et performance computationnelle en unifiant des priors hiérarchiques, spatiaux et canalaires sans recourir à des composants récurrents ou transformateurs, atteignant ainsi des résultats de l'état de l'art en taux-distorsion.
Ce papier présente l'Adaptive Activation Cancellation (AAC), un cadre d'inférence en temps réel qui atténue les hallucinations des grands modèles de langage en identifiant et en supprimant sélectivement les activations neuronales associées aux erreurs factuelles, améliorant ainsi la précision sans altérer la fluidité ni les capacités générales du modèle.
Cet article propose une méthode de « dual averaging » accélérée par un acteur pour l'apprentissage par renforcement dans des espaces d'actions continus, qui utilise un réseau de politiques pour approximer efficacement les sous-problèmes d'optimisation tout en conservant des garanties de convergence théoriques et surpassant des méthodes de référence comme PPO.
Cet article propose un modèle de Markov caché hybride combinant des états discrets définis par des quantiles de Laplace et un mécanisme de sauts de Poisson pour générer des séries temporelles financières synthétiques qui reproduisent simultanément avec une grande fidélité les distributions à queues lourdes, la structure temporelle et les effets de grappes de volatilité, surpassant ainsi les modèles GARCH et HMM standards sur l'ensemble des métriques de qualité.
Ce papier présente l'apprentissage de coupure flexible (FCL), une méthode permettant d'entraîner des potentiels interatomiques par apprentissage automatique avec des rayons de coupure ajustables après l'entraînement, offrant ainsi une optimisation post-formation du compromis précision-coût sans nécessiter de réentraînement.
Ce papier présente FusionNet, un réseau de neurones conçu pour générer des modèles cardiaques 4D à haute résolution temporelle à partir d'images IRM cardiaques acquises rapidement, permettant ainsi de réduire la durée des examens tout en maintenant une précision diagnostique supérieure aux méthodes existantes.
Ce papier présente SDSR, une méthode évolutive de reconstruction d'arbres d'espèces basée sur une approche spectrale diviser-pour-régner qui, tout en préservant la précision, réduit considérablement le temps de calcul par rapport aux méthodes existantes.
Cet article étudie une approximation par diffusion en temps continu des algorithmes de gradient de politique pour les bandits stochastiques à bras, démontrant que des taux de regret optimaux sont atteints avec un taux d'apprentissage spécifique, tout en établissant que des taux linéaires inévitables surviennent sans cette condition même pour un nombre logarithmique de bras.
Ce papier propose d'étendre la perte harmonique au-delà de la géométrie euclidienne en évaluant systématiquement diverses métriques de distance sur des modèles de vision et de langage, démontrant que l'utilisation de distances cosinus améliore la précision, la stabilité et la durabilité environnementale par rapport à la perte par entropie croisée.
Cet article propose une méthode de programmation quadratique séquentielle stochastique à région de confiance et points intérieurs (TR-IP-SSQP) pour résoudre des problèmes d'optimisation avec une fonction objectif stochastique et des contraintes non linéaires déterministes, en établissant sa convergence globale presque sûre et en validant ses performances pratiques sur des benchmarks et des problèmes de régression logistique.
Ce papier présente I2X, un cadre innovant qui transforme les interprétations non structurées en explications structurées pour révéler le processus de décision des modèles d'apprentissage profond et améliorer leur précision grâce à un ajustement ciblé.
Ce papier propose One-A, un cadre unifié et conscient du déséquilibre pour l'apprentissage incrémental de classes, qui fusionne de manière asymétrique les mises à jour des tâches dans un seul adaptateur afin de maintenir la stabilité et la plasticité face à des flux de tâches de tailles variables.
Cette étude démontre qu'un algorithme neuromorphique nativement épiqué conçu pour résoudre des équations aux dérivées partielles possède une robustesse intrinsèque remarquable, tolérant jusqu'à 32 % de neurones et 90 % de spikes supprimés sans dégradation significative de la précision.
Ce papier présente SiMPO, un cadre unifié pour l'apprentissage par renforcement en diffusion qui généralise les schémas de rééquilibrage via des fonctions monotones et introduit un concept de mesure signée pour repousser activement les actions sous-optimales, améliorant ainsi les performances par rapport aux méthodes existantes.
Cet article démontre que, lorsque la conditionnelle d'un modèle hiérarchique bayésien suit une distribution canonique de principe d'entropie maximale, la loi marginale dépendante qui en résulte conserve également une propriété d'entropie maximale sous une contrainte différente portant sur la distribution marginale d'une fonction des paramètres inconnus.
Ce papier propose d'améliorer la génération de données tabulaires synthétiques par TabPFN en intégrant des structures causales via un conditionnement orienté par des graphes acycliques dirigés (DAG) ou partiellement orientés (CPDAG), ce qui permet de corriger les corrélations spurious induites par l'ordre des caractéristiques et de mieux préserver les effets causaux.
Cette étude présente la première extraction d'un algorithme biologique compétitif et compact à partir du modèle fondamental scGPT, révélant une variété hématopoïétique interne qui, une fois isolée via une méthode d'interprétabilité mécanistique, surpasse les méthodes existantes en précision et en efficacité tout en nécessitant un nombre négligeable de paramètres à entraîner.
Ce papier présente DICE-RL, un cadre d'apprentissage par renforcement qui affine efficacement des politiques robotiques préentraînées en contractant leur distribution vers des comportements à fort succès, permettant ainsi l'acquisition de compétences complexes de manipulation à partir d'entrées visuelles.