6274 articles
Le papier présente RigidSSL, un cadre d'apprentissage auto-supervisé géométrique qui améliore la conception de protéines et la modélisation des ensembles conformationnels en apprenant des priorités géométriques rigides via des perturbations simulées et des trajectoires de dynamique moléculaire, surpassant ainsi les méthodes existantes en termes de capacité de conception, de diversité et de réalisme biophysique.
Le papier présente mlx-vis, une bibliothèque Python open source exploitant l'accélération GPU d'Apple Silicon via MLX pour exécuter efficacement six méthodes de réduction de dimensionnalité et un rendu visuel animé sans dépendre de Matplotlib.
Ce papier propose Traversal-as-Policy, une méthode qui transforme les logs d'exécution OpenHands en arbres de comportement à portes (GBT) exécutables pour remplacer la génération de politique implicite par une navigation contrôlée et vérifiable, améliorant ainsi considérablement le taux de réussite, la sécurité et l'efficacité des agents LLM sur des tâches complexes.
Cet article propose un cadre d'entraînement régularisé pour contrôler la fuite d'information compositionnelle dans les systèmes séquentiels multi-agents LLM, démontrant que la confidentialité doit être traitée comme une propriété systémique plutôt que locale.
Le papier présente RoboLayout, une extension de LayoutVLM qui intègre des contraintes de reachabilité dans un processus d'optimisation différentiable pour générer des scènes 3D sémantiquement cohérentes et physiquement réalisables par divers agents incarnés.
Cet article propose un cadre multimodal innovant combinant un Transformer à injection clinique et un auto-encodeur masqué adapté au domaine pour prédire avec une grande précision le pronostic de la néphropathie lupique pédiatrique à partir de biopsies standardisées et de données cliniques.
Cet article présente JAWS, une méthode de régularisation probabiliste adaptative spatialement qui améliore la stabilité à long terme et la fidélité des chocs des opérateurs neuronaux en modulant dynamiquement la contrainte de contraction selon la complexité physique locale, permettant ainsi une optimisation de trajectoire efficace en mémoire.
VDCook est une plateforme auto-évolutive qui permet aux chercheurs de générer et de mettre à jour continuellement des ensembles de données vidéo spécialisés pour les modèles multimodaux via des requêtes en langage naturel, en combinant récupération de vidéos réelles et synthèse contrôlée.
Cet article établit un cadre théorique unifié pour le décodage contraint par grammaire, démontrant que l'équivalence linguistique n'implique pas l'efficacité computationnelle et prouvant que la complexité structurelle inhérente à certaines grammaires impose des bornes inférieures incompressibles sur le coût de décodage, tout en fournissant des métriques d'optimisation et des garanties de distorsion pour les architectures de modèles de langage modernes.
Cet article propose une réorganisation algébrique intuitive de la décomposition de la covariance de Yates pour le score de Brier, décomposant l'erreur de prévision probabiliste en trois termes non négatifs qui rendent transparentes les conditions d'optimalité : l'adéquation de la variance, la corrélation parfaite et la calibration globale.
L'article présente IntSeqBERT, un modèle Transformer dual-stream qui encode les séquences d'entiers de l'OEIS via des embeddings de magnitude et de modulo, surpassant les approches par tokenisation grâce à une prédiction de termes suivante améliorée de sept fois et à une analyse prouvant que les moduli composites capturent plus efficacement la structure arithmétique.
Cette étude démontre qu'un modèle stochastique minimal explique comment l'autocorrélation négative ou positive d'un signal temporel améliore la prise de décision dans les problèmes de bandit à deux bras, selon que la somme des probabilités de gain est supérieure ou inférieure à un.
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.