6646 articles
Cette étude présente un système d'intelligence artificielle entraîné sur plus de 45 000 images échographiques qui détecte les fentes oro-faciales fœtales avec une précision égale à celle des radiologues seniors, améliore la sensibilité des praticiens juniors et accélère leur formation dans le diagnostic de pathologies rares.
Cet article démontre comment les modèles de type Transformer peuvent être entraînés pour prédire efficacement les transitions atomiques dans les nano-amas, offrant une alternative rapide et peu coûteuse aux simulations traditionnelles tout en garantissant la validité physique des résultats.
Cet article présente une nouvelle méthode d'interprétabilité pour les prévisions de séries temporelles hiérarchiques probabilistes, conçue pour expliquer les prévisions et leurs incertitudes dans des contextes industriels complexes, comme démontré par des études de cas réels et des données semi-synthétiques issues d'une grande entreprise chimique.
Ce papier présente CODEC, une méthode utilisant des autoencodeurs parcimonieux pour décomposer les contributions des neurones cachés et révéler les processus causaux, la parcimonie croissante et la décorrélation des effets dans les réseaux de neurones, offrant ainsi un cadre interprétable pour la manipulation et la compréhension des calculs non linéaires.
Ce papier propose H²RL, une approche hybride de renforcement profond qui utilise un préentraînement basé sur des options logiques pour aligner les agents sur des objectifs à long terme et surmonter les limites des architectures purement symboliques ou neuronales.
Ce travail présente AllScAIP, un potentiel interatomique basé sur l'attention qui, grâce à un mécanisme d'attention tout-à-tout, surpasse les modèles traditionnels à forte biais physique pour capturer précisément les interactions à longue portée dans les grands systèmes moléculaires et matériaux à grande échelle de données.
Le papier présente SCOPE, un cadre plug-and-play qui améliore la segmentation 3D few-shot incrémentale en enrichissant les prototypes de nouvelles classes avec des informations contextuelles issues des régions d'arrière-plan non étiquetées, atteignant ainsi des performances de pointe sur les jeux de données ScanNet et S3DIS tout en minimisant l'oubli catastrophique.
Le papier présente BEVLM, un cadre qui connecte les modèles de langage à grande échelle à des représentations de vue aérienne (BEV) enrichies par distillation sémantique, améliorant ainsi significativement le raisonnement spatial et les performances de conduite autonome en boucle fermée.
Cet article propose un estimateur Neyman-orthogonal pour les modèles de régression linéaire multidimensionnelle à effets fixes interactifs, combinant une estimation préliminaire par facteurs et une transformation intra pondérée pour atteindre une convergence paramétrique et une normalité asymptotique, méthode appliquée à l'estimation de l'élasticité de la demande de bière.
Cet article propose deux algorithmes de gradient alterné primal-dual d'ordre zéro, ZO-PDAPG et ZO-RMPDPG, pour résoudre des problèmes minimax non convexes avec contraintes linéaires couplées en fournissant les premières garanties de complexité itérative dans les contextes déterministe et stochastique, tout en établissant un nouvel état de l'art pour les cas sans contraintes couplées.
Cet article présente l'Orthonormal Data Collaboration (ODC), une méthode qui améliore l'efficacité et la stabilité de la collaboration de données en imposant des bases orthonormées pour résoudre le problème d'alignement sous forme d'une solution fermée, réduisant ainsi considérablement la complexité computationnelle tout en garantissant des performances invariantes.
Cet article propose une nouvelle approche de sélection de sous-ensembles pour l'optimisation multi-tâches submodulaire, fondée sur la robustesse distributionnelle localisée via une régularisation par entropie relative, qui garantit à la fois une solution robuste et un calcul efficace grâce à des méthodes gloutonnes.
Cet article propose une nouvelle approche d'apprentissage en deux phases, combinant apprentissage par renforcement avec informations privilégiées et apprentissage supervisé, pour résoudre rapidement et efficacement le problème du voyageur de commerce de Dubins avec voisinages (DTSPN) en produisant des trajectoires 50 fois plus rapides que l'algorithme LKH.
Cet article présente HEroBM, une méthode d'apprentissage profond basée sur des réseaux de neurones graphiques équivariants qui permet un rétro-mappage universel, précis et transférable de représentations grossières vers des structures atomiques complètes pour divers systèmes chimiques et biologiques.
Cet article propose un algorithme asymptotiquement optimal pour un problème d'apprentissage en ligne avec décisions irréversibles visant à minimiser l'ouverture de sites sous une contrainte de couverture, démontrant que des politiques combinant une exploration initiale limitée et une exploitation rapide permettent d'atteindre un regret sous-linéaire qui converge exponentiellement vers sa limite à l'infini.
Ce papier présente GPSL, une méthode de type « drop-in » pour l'apprentissage fractionné parallèle qui, en fixant la taille du lot global via un échantillonnage mondial, élimine les biais d'arrondi et les distorsions liées aux données non-IID, garantissant ainsi une précision et une stabilité comparables à celles d'un échantillonnage centralisé tout en réduisant le temps d'entraînement.
Cet article propose une approche de factorisation matricielle non négative (NMF) intégrant une formulation min-max pour atténuer les biais, en démontrant par des expériences synthétiques et réelles que cette méthode peut améliorer l'équité entre les groupes, bien que cela puisse parfois se faire au détriment de la précision pour certains individus.
Cette étude expérimentale démontre que les modèles d'apprentissage automatique conscients de l'équité permettent d'atteindre un meilleur compromis entre précision prédictive et équité dans le contexte du scoring de crédit par rapport aux modèles de classification traditionnels.
Ce papier propose une nouvelle stratégie d'échantillonnage appelée « Path Planning » (P2) pour les modèles de diffusion masqués, qui améliore significativement la qualité de génération en permettant la réitération et le raffinement des tokens déjà générés, surpassant ainsi les méthodes existantes sur divers domaines tels que la biologie, les mathématiques et la programmation.
Cet article démontre que l'optimisation des réseaux de neurones peu profonds souffre de la malédiction de la dimension, où la vitesse de décroissance du risque de population lors de l'entraînement par flot de gradient est fondamentalement limitée par la dimension de l'espace et la régularité de la fonction cible, même avec des fonctions d'activation localement lipschitziennes.