2316 articles
L'article présente SNPgen, un cadre de diffusion latente conditionnelle qui génère des données génétiques synthétiques alignées sur les phénotypes pour préserver la confidentialité tout en permettant une prédiction des maladies complexes aussi précise que les modèles entraînés sur des données réelles.
Le papier présente LAtte, un cadre novateur combinant un module d'attention lorentzien et un encodeur InceptionTime pour surmonter la variabilité inter-sujets et le faible rapport signal-bruit dans la classification EEG, permettant ainsi un apprentissage robuste et généralisable à travers différents sujets.
Cette étude présente un modèle Diffusion Transformer paramétriquement efficace qui génère des séquences d'ADN régulateur spécifiques aux types cellulaires avec une convergence accélérée, une réduction du mémorisation des données et une activité régulatrice prédite nettement améliorée grâce à un affinage par DDPO.
Cet article propose de nouveaux tests d'équivalence basés sur des noyaux, utilisant la divergence de Stein et la divergence maximale de moyenne pour évaluer l'absence de différences significatives entre distributions sans les limitations des méthodes paramétriques ou des tests de moments.
Cet article propose l'échantillonnage prédictif dynamique (DPS), une méthode qui modélise la progression d'apprentissage des prompts comme un système dynamique pour prédire et sélectionner en ligne les exemples les plus informatifs avant les rollouts coûteux, réduisant ainsi considérablement la surcharge computationnelle et accélérant le finetuning par apprentissage par renforcement des grands modèles de raisonnement.
Cet article examine l'impact des processus de récompense non ergodiques sur l'apprentissage par renforcement, en démontrant que l'optimisation de la valeur espérée est inadéquate pour les agents individuels et en présentant des solutions visant à maximiser les performances sur des trajectoires uniques.
LookaheadKV est un cadre d'éviction de cache KV léger qui prédit l'importance future des tokens sans génération explicite, offrant ainsi une précision supérieure aux méthodes existantes tout en réduisant considérablement les coûts de calcul et le temps de génération initial.
Ce papier présente une méthode de prédiction des matchs du tournoi NCAA 2024 utilisant l'analyse de fusion combinatoire (CFA) pour générer un classement d'équipes atteignant une précision de 74,60 %, surpassant ainsi les dix meilleurs systèmes de classement publics.
L'article présente ECoLAD, un protocole d'évaluation axé sur le déploiement qui révèle que, contrairement aux méthodes profondes qui deviennent irréalistes sous contraintes de calcul, les détecteurs classiques légers maintiennent à la fois une couverture et une détection efficace sur des données automobiles réelles.
Ce papier propose une méthode d'entraînement par consensus historique, basée sur une sélection itérative de priors à mélange gaussien, qui élimine définitivement l'effondrement postérieur dans les autoencodeurs variationnels en créant une barrière historique stable qui exclut les solutions dégénérées, et ce sans nécessiter de conditions de stabilité explicites ni de contraintes architecturales.
Cet article propose une méthode pratique basée sur les estimateurs de densité de noyau pour quantifier le risque de divulgation de l'appartenance dans les données synthétiques tabulaires, permettant une évaluation robuste de la vie privée sans recourir à des modèles d'ombre coûteux.
Ce papier propose RAD, un cadre d'alignement novateur qui remplace les contraintes de coût espéré par des contraintes de dominance stochastique du premier ordre optimisées via le transport optimal, permettant ainsi un contrôle universel des risques spectraux et une meilleure robustesse face aux événements rares et aux distributions hors domaine.
Cet article présente un cadre de prédiction sélective pour la récupération de structures moléculaires à partir de spectres de masse, démontrant que l'utilisation de mesures de confiance simples et d'incertitudes aléatoires au niveau de la récupération permet d'abstenir les prédictions incertaines et de garantir des taux d'erreur contrôlés dans des applications à haut risque.
Ce papier introduit Scorio, une bibliothèque open-source qui formalise et évalue des méthodes statistiques pour classer les modèles de langage de raisonnement dans des régimes d'extension au moment du test, en identifiant des approches fiables pour les budgets de calcul élevés et faibles sur des benchmarks mathématiques de haut niveau.
Cette étude propose une méthode d'apprentissage auto-supervisé bio-inspirée pour les signaux IMU portés au poignet, qui utilise une tokenisation basée sur la théorie des sous-mouvements pour pré-entraîner un encodeur Transformer et obtenir des représentations supérieures pour la reconnaissance d'activités humaines, même dans des contextes de données limitées.
Ce papier présente Pointy, une architecture légère basée sur les transformateurs qui, entraînée uniquement sur 39 000 nuages de points, surpasse des modèles fondationnels plus massifs et démontre l'efficacité d'une conception architecturale soignée et d'un protocole d'entraînement rigoureux pour les modèles de base sur les nuages de points.
Ce papier présente TOSSS, un nouveau benchmark basé sur la base de données CVE permettant d'évaluer la capacité des modèles de langage à distinguer le code sécurisé du code vulnérable, révélant des scores de sécurité variables parmi 14 modèles testés.
Cet article présente le cadre FRIEND, une approche d'apprentissage fédéré intégrant des surfaces intelligentes reconfigurables (RIS) multiples pour optimiser conjointement la configuration du réseau et la détection d'espions dans les réseaux cellulaires sans cellule mmWave de la B5G, améliorant ainsi le taux de confidentialité d'environ 30 % tout en préservant la vie privée des données.
Cette étude propose une gestion de faisceau intelligente pour les réseaux non-terrestres LEO 6G en utilisant l'apprentissage fédéré via des stations HAPS, démontrant que les réseaux de neurones à graphes surpassent les perceptrons multicouches en précision et en stabilité, notamment aux faibles angles d'élévation.
Cette étude démontre que les couches MLP des transformateurs effectuent un routage binaire des signaux continus, où des architectures de consensus neuronale et de gestion d'exceptions déterminent de manière fonctionnelle quels jetons nécessitent un traitement non linéaire, expliquant ainsi l'échec des approximations polynomiales lisses.