6675 articles
Cet article étend la méthode de flux d'entropie aux algorithmes d'apprentissage régis par des processus de Markov homogènes en temps, en établissant de nouvelles bornes de généralisation grâce à une approximation continue exacte et à des liens avec les inégalités de Sobolev logarithmiques modifiées.
Cet article réfute la conjecture établissant une correspondance biunivoque entre les attracteurs de la dynamique réplique et les équilibres puits en présentant des contre-exemples basés sur des sources locales, tout en introduisant la pseudoconvexité comme condition suffisante pour garantir cette correspondance dans les jeux à deux joueurs.
Cet article propose FBFL, une approche de fédération basée sur les champs et la macroprogrammation qui surpasse les méthodes existantes comme FedAvg, FedProx et Scaffold en gérant efficacement l'hétérogénéité des données non-IID et en assurant la résilience du système grâce à une architecture hiérarchique auto-organisée.
Cet article propose et analyse Clip21-SGD2M, une nouvelle méthode pour l'apprentissage fédéré qui combine le recadrage, l'impulsion de type heavy-ball et la rétroaction d'erreur pour garantir simultanément des taux de convergence optimaux et une forte confidentialité différentielle, même en présence de données hétérogènes.
Cette étude propose un cadre taxonomique unifié basé sur le contrôle par inférence pour classer les modèles génératifs en décision selon quatre rôles fonctionnels (contrôleurs, modélisateurs, optimisateurs et évaluateurs), tout en examinant leurs applications dans des domaines à haut risque et les défis vers une intelligence physique généraliste.
Cet article propose BACE-RUL, un réseau antagoniste bidirectionnel avec encodage de covariables qui prédit la durée de vie résiduelle des machines en utilisant uniquement les mesures de capteurs du cycle de vie actuel, surpassant ainsi les méthodes existantes sur plusieurs jeux de données réels.
Ce papier révèle que le fine-tuning de sécurité des modèles vision-langage renforce des corrélations fallacieuses créant un « mirage de sécurité », et propose le désapprentissage automatique comme solution plus efficace pour éliminer les connaissances nuisibles tout en réduisant les attaques et les refus injustifiés.
Cet article présente une étude empirique à grande échelle révélant que la capacité des grands modèles de langage à localiser des défauts logiciels est fragile et souvent dépendante de indices syntaxiques plutôt que sémantiques, comme le démontre leur échec fréquent face à des mutations préservant la sémantique du code.
Cet article présente ms-Mamba, une nouvelle architecture multi-échelle basée sur Mamba qui améliore la prévision de séries temporelles en traitant les données à différents taux d'échantillonnage, surpassant ainsi les modèles de l'état de l'art en termes de précision et d'efficacité.
Le papier présente TianQuan-S2S, un modèle de prévision météorologique mondiale à l'échelle sous-saisonnière à saisonnière qui intègre les états climatiques et utilise un Transformer augmenté par l'incertitude pour surpasser les méthodes numériques et les modèles axés sur les données existants en termes de précision et de variabilité.
Ce papier présente Noise2Ghost, une nouvelle méthode d'imagerie fantôme auto-supervisée basée sur l'apprentissage profond qui permet une reconstruction de haute qualité avec réduction du bruit sans nécessiter de données de référence propres, rendant ainsi possible l'imagerie à faible luminosité pour des applications sensibles comme l'imagerie par fluorescence X in vivo.
Cet article propose un cadre Propose-Test-Release (PTR) scalable et différentiellement privé pour estimer efficacement la composante principale d'un graphe, offrant une précision supérieure et une accélération de 180 fois par rapport aux méthodes existantes sur de grands réseaux réels.
Cet article propose une formulation variationnelle du flot de particules log-homotopique en le reliant au flot de gradient de Fisher-Rao, permettant de dériver des algorithmes d'estimation gaussiens et à mélange de gaussiennes qui généralisent le flot exact de Daum et Huang.
Le papier présente ReactDance, un cadre de diffusion innovant utilisant une quantification scalaire hiérarchique et une stratégie d'échantillonnage par blocs pour générer des danses réactives haute fidélité et cohérentes sur de longues séquences.
Ce papier propose MiCo, un cadre hiérarchique d'agents linguistiques piloté par un grand modèle de langage (LLM) qui résout efficacement le problème complexe d'ordonnancement dynamique des machines virtuelles dans le cloud en atteignant un taux de compétitivité de 96,9 % sur des scénarios à grande échelle.
Ce papier présente CausalPitfalls, un benchmark complet conçu pour évaluer rigoureusement les capacités des grands modèles de langage à surmonter les pièges statistiques de l'inférence causale, révélant ainsi leurs limitations actuelles dans ce domaine critique.
Ce papier présente ShIOEnv, un environnement d'exécution Bash compatible Gymnasium qui comble le manque de données d'entrées-sorties de shell en générant 2,1 millions de paires via une synthèse contrainte par grammaire et un signal d'irréductibilité auto-supervisé, permettant ainsi d'améliorer la précision de la modélisation du comportement d'exécution des commandes par rapport aux approches sans exécution.
Le papier présente VTool-R1, un cadre novateur qui entraîne des modèles vision-langage à raisonner en générant des chaînes de pensée multimodales intercalant texte et étapes visuelles via l'apprentissage par renforcement sur l'utilisation d'outils d'édition d'images.
Cet article propose un algorithme d'apprentissage PAC attribut-efficace et robuste à une constante de bruit malveillant pour les demi-espaces parcimonieux, en démontrant que des variantes simples de la minimisation de la perte charnière permettent d'atteindre cet objectif sous des conditions de concentration et de marge.
Cet article présente un cadre novateur permettant d'entraîner directement des modèles de langage dans le domaine booléen grâce à des paramètres multi-noyaux, éliminant ainsi le besoin de poids latents en précision complète et surpassant les techniques de quantification et de binarisation existantes.