6973 articles
Ce papier présente EVMbench, une nouvelle méthode d'évaluation mesurant la capacité des agents IA à détecter, corriger et exploiter des vulnérabilités dans des contrats intelligents, révélant qu'ils sont déjà capables d'attaquer des instances de blockchain réelles de bout en bout.
Le papier présente BandPO, une méthode d'optimisation par renforcement pour les grands modèles de langage qui remplace le mécanisme de clipping fixe par des bornes dynamiques et conscientes des probabilités afin de résoudre les goulots d'étranglement d'exploration et de prévenir l'effondrement de l'entropie.
Cet article propose le cadre SC-USFL, qui intègre la communication sémantique à l'apprentissage fédéré fractionné pour réduire la surcharge de communication et renforcer la confidentialité des étiquettes dans les réseaux véhiculaires grâce à une compression adaptative des informations pertinentes.
Cet article présente la création d'un jeu de données spécifique pour la détection et le suivi de personnes à l'aide d'un LiDAR monté sur une grue aérienne, en adaptant des détecteurs 3D existants pour combler le fossé entre les benchmarks de conduite et la vision industrielle en vue plongeante, tout en validant la faisabilité temps réel et en rendant les ressources disponibles publiquement.
Ce papier présente -Reasoner, un cadre de génération itératif qui intègre une optimisation différentiable des logits de tokens via la descente de gradient en temps d'inférence pour améliorer le raisonnement des grands modèles de langage, offrant ainsi une alternative efficace aux méthodes de recherche discrète existantes.
Ce papier présente TimeWarp, un benchmark évaluant la robustesse des agents web face aux évolutions de l'interface, et propose TimeTraj, un algorithme utilisant la distillation de plans sur plusieurs versions d'interface pour améliorer significativement leurs performances.
Cette étude démontre que les modèles basés sur l'architecture Transformer, couplés à une régression évidentielle pour la quantification de l'incertitude, offrent les prévisions de glycémie les plus précises et les mieux calibrées pour la gestion du diabète de type 1.
Ce papier propose WaterSIC, un algorithme d'optimisation de la quantification des couches linéaires inspiré du « waterfilling » qui, en allouant dynamiquement des taux de quantification variables, atteint une performance quasi optimale théoriquement et établit de nouveaux états de l'art pour les modèles Llama et Qwen.
Cette étude démontre que la réutilisation des données de pré-entraînement générique lors du fine-tuning améliore significativement l'efficacité des données et les performances des modèles sur des tâches cibles spécifiques, même dans des domaines peu liés.
Ce papier présente MOUE, une généralisation des modèles Mixture-of-Experts qui introduit une « largeur virtuelle » en réutilisant un pool d'experts universels à travers les couches, surmontant ainsi les limites d'échelle traditionnelles grâce à une topologie en rotation décalée, un équilibrage de charge adapté à la profondeur et un routeur universel, ce qui permet d'obtenir des performances supérieures aux modèles MoE classiques.
Cet article propose une nouvelle méthode de fusion de grands modèles de langage qui, en formulant le problème comme le calcul d'une moyenne de Karcher sur la variété de Fisher-Rao, surmonte les limitations des approches euclidiennes traditionnelles pour préserver la fonctionnalité et éviter l'effondrement des représentations lors de la combinaison de plusieurs experts.
Ce papier présente RefQuery, un cadre d'apprentissage par transfert léger et évolutif pour la désagrégation de charge qui utilise des empreintes d'appareils compactes et un réseau préentraîné figé pour permettre une adaptation efficace aux nouvelles maisons avec peu de données, rendant ainsi le déploiement temps réel possible sur des appareils à ressources limitées.
Cet article propose un cadre d'apprentissage par renforcement multi-opérateurs intégrant la théorie du choix discret pour optimiser conjointement la tarification et le rééquilibrage des flottes dans des systèmes de mobilité autonome compétitifs, démontrant que la concurrence modifie fondamentalement les stratégies apprises tout en assurant la convergence vers des politiques efficaces.
Cet article propose une interprétation du phénomène de stabilité à la limite (Edge of Stability) via la lissité directionnelle généralisée aux normes non-euclidiennes, démontrant que ce comportement d'oscillation autour du seuil de stabilité s'applique à une large gamme d'optimiseurs au-delà de la descente de gradient classique.
Cet article propose BA-Logic, une nouvelle méthode d'attaque par porte dérobée à étiquettes propres qui contrecarre les échecs des approches existantes en empoisonnant la logique interne de prédiction des réseaux de neurones graphiques pour forcer la classification de nœuds déclencheurs vers une classe cible sans modifier leurs étiquettes d'entraînement.
Cet article présente le CIES, un indice mathématique mesurant la stabilité des explications des modèles d'IA pour évaluer la fiabilité des systèmes d'aide à la décision commerciale face aux perturbations réalistes des données.
Le papier présente RepoLaunch, le premier agent capable d'automatiser entièrement la compilation, la gestion des dépendances et l'exécution des tests pour des dépôts de code sur n'importe quelle langue et plateforme, permettant ainsi la création d'ensembles de données pour l'ingénierie logicielle avec une intervention humaine minimale.
GELO est un protocole d'obfuscation léger pour les grands modèles de langage qui préserve la confidentialité des invites en masquant les états cachés avec un mélange inversible par lot, permettant ainsi d'équilibrer la sécurité contre les attaques d'observation mémoire et la latence d'inférence.
Ce papier propose MCEL, une nouvelle fonction de perte basée sur les marges qui améliore significativement la tolérance aux erreurs de bits des réseaux de neurones quantifiés sans recourir à l'injection d'erreurs coûteuse lors de l'entraînement.
Cette étude analyse asymptotiquement l'apprentissage multi-tâches pour démontrer que la combinaison de tâches liées équivaut à une régularisation implicite améliorant la généralisation et atténuant le phénomène de double descente.