cs.LG articles | Gist.Science

Deep Learning-Driven Friendly Jamming for Secure Multicarrier ISAC Under Channel Uncertainty

Cet article présente un cadre d'encodage profond pour le brouillage amical dans les systèmes ISAC multicarriers, qui améliore la sécurité physique en exploitant les échos radar pour optimiser le brouillage directionnel sans connaissance de l'état du canal de l'espion, tout en garantissant la robustesse face aux incertitudes de canal grâce à un estimateur d'information de Fisher non paramétrique et une architecture neuronale compressée.

Bui Minh Tuan, Van-Dinh Nguyen, Diep N. Nguyen + 5 more2026-03-06🤖 cs.LG

Reward-Conditioned Reinforcement Learning

Ce papier présente RCRL, un cadre d'apprentissage par renforcement qui permet à un seul agent d'optimiser une famille de fonctions de récompense à partir d'une expérience collectée sous un seul objectif nominal, offrant ainsi une adaptation efficace à de nouvelles spécifications de tâches sans sacrifier la simplicité de l'entraînement.

Michal Nauman, Marek Cygan, Pieter Abbeel2026-03-06🤖 cs.LG

Synchronization-based clustering on the unit hypersphere

Cet article présente un nouvel algorithme de clustering pour des données sur l'hypersphère unitaire, basé sur le modèle de Kuramoto généralisé, qui démontre des performances égales ou supérieures aux méthodes traditionnelles sur divers jeux de données synthétiques et réels.

Zinaid Kapić, Aladin Crnkić, Goran Mauša2026-03-06🤖 cs.LG

Aura: Universal Multi-dimensional Exogenous Integration for Aviation Time Series

Cet article présente Aura, un cadre universel conçu pour améliorer la prévision des séries temporelles dans le domaine de la maintenance aéronautique en intégrant efficacement des facteurs exogènes hétérogènes et multidimensionnels, démontrant ainsi des performances supérieures sur un vaste jeu de données industrielles.

Jiafeng Lin, Mengren Zheng, Simeng Ye + 5 more2026-03-06🤖 cs.AI

Axiomatic On-Manifold Shapley via Optimal Generative Flows

Cet article propose une méthode d'attribution Shapley sur-manifold fondée sur des flots génératifs optimaux, qui résout les artefacts hors-manifold en définissant un attribut canonique unique via l'intégrale de ligne du gradient le long des géodésiques de Wasserstein minimisant l'énergie cinétique.

Cenwei Zhang, Lin Zhu, Manxi Lin + 1 more2026-03-06🤖 cs.AI

ARC-TGI: Human-Validated Task Generators with Reasoning Chain Templates for ARC-AGI

Ce papier présente ARC-TGI, un cadre open-source de générateurs de tâches validés par des humains et dotés de chaînes de raisonnement, conçu pour produire de manière évolutive des ensembles de données diversifiés et contrôlés pour l'évaluation des modèles sur ARC-AGI tout en évitant le surapprentissage.

Jens Lehmann, Syeda Khushbakht, Nikoo Salehfard + 4 more2026-03-06🤖 cs.AI

BLINK: Behavioral Latent Modeling of NK Cell Cytotoxicity

Le papier présente BLINK, un modèle d'espace d'états récurrent basé sur les trajectoires qui apprend la dynamique latente des interactions entre les cellules NK et les cellules tumorales pour prédire et anticiper les résultats de cytotoxicité tout en offrant une représentation interprétable des modes comportementaux cellulaires.

Iman Nematollahi, Jose Francisco Villena-Ossa, Alina Moter + 6 more2026-03-06🤖 cs.LG

Decoupling Task and Behavior: A Two-Stage Reward Curriculum in Reinforcement Learning for Robotics

Cet article propose une méthode d'apprentissage par renforcement en deux étapes qui découple les objectifs de tâche des termes comportementaux via un curriculum de récompense, permettant d'améliorer la stabilité et la robustesse de l'entraînement des robots sur des tâches multi-objectifs.

Kilian Freitag, Knut Åkesson, Morteza Haghir Chehreghani2026-03-06🤖 cs.LG

FedBCD:Communication-Efficient Accelerated Block Coordinate Gradient Descent for Federated Learning

Les auteurs proposent FedBCGD et son version accélérée FedBCGD+, de nouvelles méthodes de descente de gradient par blocs coordonnés pour l'apprentissage fédéré qui réduisent significativement la surcharge de communication et améliorent la convergence lors de l'entraînement de modèles profonds à grande échelle.

Junkang Liu, Fanhua Shang, Yuanyuan Liu + 3 more2026-03-06🤖 cs.AI

SRasP: Self-Reorientation Adversarial Style Perturbation for Cross-Domain Few-Shot Learning

Cet article propose SRasP, une nouvelle méthode de perturbation de style auto-réorientée qui améliore l'apprentissage few-shot cross-domaine en stabilisant les gradients et en favorisant la convergence vers des minima plus plats grâce à une guidance sémantique globale et une optimisation multi-objectifs.

Wenqian Li, Pengfei Fang, Hui Xue2026-03-06🤖 cs.LG

Particle-Guided Diffusion for Gas-Phase Reaction Kinetics

Cet article présente une méthode d'échantillonnage guidé par des particules utilisant des modèles de diffusion, entraînée sur des équations d'advection-réaction-diffusion, qui permet de générer des champs de concentration physiquement cohérents et de prédire avec précision les concentrations de sortie pour des réactions chimiques en phase gazeuse, y compris dans des conditions paramétriques non vues.

Andrew Millard, Henrik Pedersen2026-03-06🔬 physics

Recurrent Graph Neural Networks and Arithmetic Circuits

Ce papier établit une correspondance exacte entre la puissance expressive des réseaux de neurones à graphes récurrents et celle des circuits arithmétiques récurrents opérant sur les nombres réels, en démontrant que ces deux modèles peuvent se simuler mutuellement.

Timon Barlag, Vivian Holzapfel, Laura Strieker + 2 more2026-03-06🤖 cs.AI

Feature Resemblance: On the Theoretical Understanding of Analogical Reasoning in Transformers

Cette étude théorique et empirique démontre que le raisonnement analogique dans les transformers repose sur un mécanisme d'alignement des représentations de propriétés, nécessitant un curriculum d'apprentissage spécifique où la structure de similarité est acquise avant les attributs particuliers.

Ruichen Xu, Wenjing Yan, Ying-Jun Angela Zhang2026-03-06🤖 cs.LG

Federated Causal Discovery Across Heterogeneous Datasets under Latent Confounding

Cet article présente fedCI et fedCI-IOD, des méthodes fédérées permettant la découverte causale sur des données hétérogènes et distribuées avec des confondants latents, tout en préservant la confidentialité et en améliorant la puissance statistique par rapport aux analyses locales.

Maximilian Hahn, Alina Zajak, Dominik Heider + 1 more2026-03-06🤖 cs.AI

The Impact of Preprocessing Methods on Racial Encoding and Model Robustness in CXR Diagnosis

Cette étude démontre que le recadrage simple des poumons par une boîte englobante permet de réduire l'apprentissage de raccourcis raciaux dans les modèles de diagnostic par radiographie thoracique tout en préservant leur précision, contournant ainsi le compromis habituel entre équité et performance.

Dishantkumar Sutariya, Eike Petersen2026-03-06🤖 cs.LG

Balancing Privacy-Quality-Efficiency in Federated Learning through Round-Based Interleaving of Protection Techniques

Ce papier propose Alt-FL, un cadre d'apprentissage fédéré qui équilibre confidentialité, qualité et efficacité en intercalant de manière cyclique des techniques de protection (differential privacy, chiffrement homomorphe et données synthétiques), démontrant ainsi que l'intercalage de la confidentialité offre le meilleur compromis pour les exigences de haute protection tandis que les méthodes basées sur la differential privacy sont préférables pour des besoins intermédiaires.

Yenan Wang, Carla Fabiana Chiasserini, Elad Michael Schiller2026-03-06🤖 cs.LG

A Geometry-Adaptive Deep Variational Framework for Phase Discovery in the Landau-Brazovskii Model

Cet article présente le GeoDVF, un cadre variationnel profond adaptatif qui optimise conjointement l'ordre paramétré par un réseau de neurones et la géométrie du domaine de calcul pour découvrir des phases ordonnées stables et métastables dans le modèle de Landau-Brazovskii, en éliminant les contraintes artificielles et en facilitant la nucléation de structures complexes.

Yuchen Xie, Jianyuan Yin, Lei Zhang2026-03-06🔬 cond-mat.mtrl-sci

Trainable Bitwise Soft Quantization for Input Feature Compression

Cet article propose une couche de quantification logicielle entraînable par bits qui comprime les caractéristiques d'entrée des réseaux de neurones pour réduire considérablement le volume de données transférées vers des serveurs distants, tout en maintenant une précision proche de celle des modèles en pleine précision.

Karsten Schrödter, Jan Stenkamp, Nina Herrmann + 1 more2026-03-06🤖 cs.LG

Incentive Aware AI Regulations: A Credal Characterisation

Cet article propose un cadre de régulation de l'IA fondé sur la conception de mécanismes et la théorie des probabilités imprécises, démontrant qu'une régulation efficace permettant d'éliminer les acteurs non conformes tout en encourageant les acteurs conformes est possible si et seulement si l'ensemble des distributions non conformes forme un ensemble crédal.

Anurag Singh, Julian Rodemann, Rajeev Verma + 2 more2026-03-06🤖 cs.LG

Towards a data-scale independent regulariser for robust sparse identification of non-linear dynamics

Ce papier présente le STCV, un nouvel algorithme de régression parcimonieuse robuste à la normalisation des données qui, en remplaçant le seuillage magnétique par une métrique statistique sans dimension, permet d'identifier avec fiabilité les lois physiques gouvernant des systèmes dynamiques non linéaires bruyants, là où les méthodes conventionnelles échouent.

Jay Raut, Daniel N. Wilke, Stephan Schmidt2026-03-06🤖 cs.LG

← Précédent Suivant →