7103 articles
Cet article propose une méthodologie d'évaluation dépendante de la structure temporelle pour les réseaux de convolution temporels, démontrant que le contrôle de la taille d'échantillon effective plutôt que de la longueur brute permet d'obtenir des garanties de généralisation plus précises et révèle que la dépendance temporelle peut paradoxalement réduire l'écart de généralisation.
Ce papier présente ObfusQAte, un cadre novateur conçu pour évaluer la robustesse des modèles de langage face à des questions factuelles obfusquées, révélant ainsi leur tendance à échouer ou à halluciner lorsqu'ils sont confrontés à des variations linguistiques subtiles.
Cet article présente le Subsampling Factorization Machine Annealing (SFMA), un algorithme d'optimisation hybride quantique-ML qui améliore la vitesse et la précision du Factorization Machine Annealing en utilisant des sous-ensembles de données pour équilibrer l'exploration et l'exploitation, permettant ainsi de résoudre efficacement des problèmes d'optimisation à grande échelle avec un faible coût computationnel.
Cette étude démontre que les réseaux antagonistes génératifs quantiques (QGAN) utilisant des générateurs d'états purs peinent à généraliser au-delà de la moyenne des données d'entraînement, une limitation expliquée théoriquement par une borne inférieure de la qualité du discriminateur basée sur la fidélité entre l'état généré et la distribution cible.
Ce papier présente la zono-conformalité, une nouvelle méthode d'quantification d'incertitude qui utilise des zonotopes intégrés directement dans le modèle pour fournir des ensembles de prédictions avec garanties de couverture statistique, tout en étant plus efficace et moins conservatrice que les approches conformes traditionnelles pour les tâches de régression et de classification.
Cet article de concept propose l'Adaptive Quantized Planetary Crater Detection System (AQ-PCDSys), une architecture intégrant un réseau de neurones quantifié et une fusion adaptative de capteurs pour permettre une détection de cratères planétaires en temps réel sur du matériel spatial aux ressources limitées.
Cet article examine les stratégies d'évaluation des applications de l'intelligence artificielle générative en santé, en soulignant les limites des benchmarks quantitatifs actuels et en mettant en avant l'importance des méthodologies intégrant l'expertise humaine et des modèles de calcul économiques pour garantir une généralisation fiable dans les environnements cliniques réels.
QDFlow est un simulateur physique open-source en Python conçu pour générer des données synthétiques réalistes et étiquetées sur des dispositifs de boîtes quantiques, afin de pallier le manque de données expérimentales et de faciliter le développement et le benchmarking de modèles d'apprentissage automatique.
Cet article présente ActiSeg-NL, le premier benchmark évaluant la robustesse de la segmentation vidéo d'objets basée sur l'action face au bruit d'étiquetage textuel et de masques, et propose une analyse approfondie des stratégies d'apprentissage ainsi qu'un nouveau mécanisme de tête de masque parallèle (PMHM) pour y remédier.
Cet article propose les Réseaux à Sous-Espaces Emboîtés (NSN), une nouvelle architecture qui permet d'ajuster dynamiquement et de manière granulaire un seul grand modèle de langage pré-entraîné à différentes contraintes de calcul lors de l'inférence, offrant ainsi un compromis fluide et prévisible entre performance et efficacité sans nécessiter l'entraînement de multiples modèles spécialisés.
Ce papier présente AxelGNN, une architecture innovante de réseaux de neurones à graphes inspirée du modèle de dissémination culturelle d'Axelrod qui résout les problèmes de lissage excessif et d'agrégation monolithique en gérant simultanément les graphes homophiles et hétérophiles grâce à des interactions gérées par similarité, un copiage de caractéristiques par segments et une polarisation globale.
Cet article propose une méthode d'inférence adaptative pour l'ensemblage de grands modèles de langage par vote majoritaire, qui étend l'analyse asymptotique du « meilleur parmi N » à l'infini et optimise les pondérations d'ensembles hétérogènes via un programme linéaire en nombres entiers pour maximiser les performances avec un budget de calcul limité.
Ce papier présente CAD-Tokenizer, un cadre innovant utilisant un VQ-VAE séquentiel et un décodage contraint pour tokeniser les données CAD au niveau des primitives, permettant ainsi une génération et une édition de modèles assistés par texte bien plus efficaces que les approches antérieures.
Cet article propose une méthode agentic utilisant des modèles de langage dotés de capacités de raisonnement pour induire des arbres de décision légers et interprétables à partir de petits jeux de données tabulaires, offrant des performances compétitives par rapport aux modèles boîte noire tout en garantissant la transparence et le respect de contraintes d'équité.
Cet article propose une nouvelle formulation de l'algorithme de clustering K-means comme un problème d'optimisation lisse sur une sous-variété, résolu efficacement par un algorithme de Newton riemannien régularisé au cube qui garantit une convergence rapide et une précision statistique optimale.
Ce papier présente Ssiuu, une nouvelle méthode d'effacement qui, contrairement aux approches actuelles qui masquent simplement les connaissances sensibles via des neurones d'effacement spurius, garantit une suppression fidèle et robuste des données privées pour prévenir leur réapprentissage.
Ce papier propose EDGE, un nouveau protocole d'évaluation pour l'apprentissage incrémental de classes qui identifie des séquences extrêmes basées sur la similarité inter-tâches afin de corriger les biais des méthodes actuelles et de fournir une estimation précise de la distribution complète des performances.
Le papier présente Uni-NTFM, un modèle fondamental unifié pour l'apprentissage de représentations EEG qui, inspiré par les mécanismes neuronaux biologiques, intègre des modules de projection hétérogène, des embeddings topologiques et un réseau de transformateurs à mélange d'experts pour surpasser les modèles existants sur neuf tâches de décodage cérébral.
Cette étude de benchmarking révèle que les modèles fondationnels ECG, en particulier l'architecture compacte ECG-CPC, surpassent les bases supervisées en efficacité des labels et démontrent que les biais architecturaux sont plus déterminants que l'échelle massive pour la généralisation sur des tâches cliniques variées, tout en soulignant les lacunes persistantes dans la prédiction des structures cardiaques et des résultats.
Cet article introduit un cadre théorique pour l'apprentissage en ligne face à un adversaire de relecture, démontrant que la dimension de seuil étendue caractérise exactement la possibilité d'apprentissage et prouvant que ce scénario est strictement plus difficile que l'apprentissage classique, en particulier pour l'apprentissage propre.