2316 articles
Cet article propose un modèle de monde pour prédire la dégradation des batteries lithium-ion en propageant un état latent appris à partir de séries temporelles, une approche qui réduit de moitié l'erreur de prévision par rapport à la régression directe et dont la précision est améliorée au point de rupture par l'intégration d'une contrainte de modèle de particule unique.
Cet article présente un cadre d'apprentissage par renforcement multi-agents basé sur l'algorithme PPO pour coordonner efficacement des flottes de drones dans la livraison de fournitures médicales critiques, en optimisant l'allocation des ressources et la priorisation des tâches au sein d'environnements dynamiques et partiellement observables.
Ce papier présente GR³, une méthode de rééchelonnement multiplicatif des récompenses relatives en groupe qui permet de contrôler la longueur des réponses des modèles de langage sans compromis sur les performances, en évitant les pièges des pénalités additives et des stratégies heuristiques.
Ce papier propose SCORE, une architecture récurrente discrète et contractive qui remplace l'empilement de couches par l'itération d'un bloc neuronal partagé, offrant une convergence accélérée et une réduction des paramètres sans recourir à des solveurs d'équations différentielles.
Cet article propose une approche d'apprentissage par renforcement pour optimiser dynamiquement les poids des fonctions de notation des planificateurs de clusters, améliorant ainsi les performances globales des travaux de 33 % par rapport aux poids fixes et de 12 % par rapport aux meilleures méthodes de référence.
Cet article propose une approche d'apprentissage automatique basée sur un graphe biparti pour prédire les rendements boursiers entre les États-Unis et la Chine, révélant une asymétrie informationnelle marquée où les rendements américains influencent significativement les rendements intrajournaliers chinois, mais non l'inverse.
Cette étude démontre que la convergence et la stabilité des réseaux d'équilibre d'opérateurs monotones sous quantification des poids sont garanties tant que la perturbation spectrale reste inférieure à la marge de monotonie, une condition validée expérimentalement sur MNIST et exploitée pour un entraînement conscient de la quantification permettant une convergence prouvée même à 4 bits.
Cet article propose un auto-encodeur variationnel préservant la géométrie riemannienne (RGP-VAE) pour générer des matrices de covariance EEG synthétiques de haute fidélité, validant ainsi son efficacité pour l'augmentation de données dans les interfaces cerveau-ordinateur basées sur l'imagerie motrice.
Cette étude démontre que l'apprentissage en contexte dans les Transformers ne repose pas sur un simple calcul de similarité, mais sur la construction d'estimateurs statistiques adaptatifs capables d'approximer des tests de rapport de vraisemblance optimaux en fonction de la géométrie de la tâche.
Le papier présente HAPEns, une méthode d'assemblage post-hoc pour les données tabulaires qui optimise simultanément la précision prédictive et l'efficacité matérielle en construisant un ensemble diversifié le long du front de Pareto, surpassant ainsi les approches existantes sur 83 jeux de données.
Cette étude empirique démontre que, contrairement à l'hypothèse initiale, l'alignement des modèles de langage sur des tâches de raisonnement moral ne nécessite pas d'algorithmes favorisant la diversité, car les méthodes de maximisation de récompense (RLVR) s'avèrent tout aussi efficaces grâce à une distribution de réponses à haute récompense plus concentrée que dans le raisonnement mathématique.
Cet article établit un cadre mathématique unifiant les modèles de dérive générative avec les flots de gradient de Wasserstein de divergences approchées par estimation de densité noyale (KDE), prouvant leur équivalence et proposant une stratégie de divergence mixte pour éviter à la fois l'effondrement et le floutage des modes.
Cette note technique présente une implémentation JAX de la famille auto-échelonnée de Broyden pour les méthodes quasi-Newton, compatible avec la bibliothèque Optimistix et incluant des variantes comme BFGS et DFP, afin de faciliter leur adoption par la communauté JAX.
Ce papier présente Geo-ATBench, un nouveau benchmark et une tâche d'étiquetage audio géospatial qui intègrent le contexte sémantique géographique pour améliorer la reconnaissance des événements sonores, en démontrant que cette approche réduit les ambiguïtés acoustiques et atteint des performances alignées avec l'écoute humaine.
Cet article propose la Récompense d'Espérance Conditionnelle (CER), une méthode d'apprentissage par renforcement qui utilise le modèle de langage lui-même comme vérificateur implicite pour fournir un signal de récompense gradué et applicable à divers domaines de raisonnement, éliminant ainsi le besoin de règles de vérification externes.
Ce papier présente une approche novatrice et explicable pour détecter et éliminer les portes dérobées dans les réseaux de neurones en s'appuyant sur l'analyse des chemins actifs, avec des résultats prometteurs démontrés sur un système de détection d'intrusions.
Ce papier propose FAME, une nouvelle méthode d'explications abductives formelles basée sur l'interprétation abstraite qui permet d'obtenir des explications minimales plus concises et plus rapides pour les grands réseaux de neurones, tout en offrant une procédure pour évaluer la qualité de ces explications par rapport à la solution optimale.
Les auteurs proposent un réseau de neurones graphiques spatio-temporel à attention (STA-GNN) pour la détection d'anomalies explicable et adaptative dans les systèmes de contrôle industriels, capable de modéliser les dépendances cyber-physiques et de gérer la dérive des données grâce à une stratégie de prédiction conforme.
Cette étude propose un cadre entièrement piloté par les données combinant la décomposition en valeurs singulières et le réseau de décodeur récurrent peu profond (SHRED) pour reconstruire avec précision et efficacité l'état complet d'écoulements magnétohydrodynamiques complexes dans les systèmes de fusion nucléaire à partir de mesures de température limitées, offrant ainsi une stratégie de modélisation de substitution prometteuse pour la surveillance et le contrôle en temps réel.
Cet article propose la méthode « Contract And Conquer » (CAC), une approche de type boîte noire qui garantit de manière prouvée la génération d'exemples adversariaux pour des réseaux de neurones en combinant la distillation de connaissances sur un jeu de données expansif et une contraction précise de l'espace de recherche, surpassant ainsi les méthodes actuelles sur ImageNet.