2316 articles
Cet article propose une méthode novatrice intégrant les chaînes de Markov Monte Carlo (MCMC) directement dans l'entraînement des réseaux de neurones pour quantifier l'incertitude paramétrique des systèmes dynamiques, permettant ainsi de surmonter les limitations de temps de calcul et les valeurs de paramètres non physiques tout en restant agnostique à l'architecture du réseau.
Le papier « ForwardFlow » propose une méthode d'inférence statistique fréquentiste basée sur l'apprentissage profond, utilisant un réseau neuronal unique entraîné sur des données simulées pour résoudre directement le problème inverse d'estimation de paramètres avec une exactitude en échantillon fini, une robustesse aux contaminations et une capacité à approximer des algorithmes complexes.
Cet article présente un cadre unifié d'optimisation bayésienne utilisant des processus gaussiens pour accélérer la recherche de points stationnaires sur les surfaces d'énergie potentielle, en intégrant des extensions innovantes et un code pédagogique en Rust pour améliorer l'efficacité et la précision des calculs.
Cet article propose une méthode d'apprentissage automatique sans modèle, nommée Factorized Neural Implicit DMD, qui paramétrise la décomposition spectrale de l'opérateur de Koopman via un champ neuronal codé par la physique pour prédire la dynamique temporelle de systèmes complexes en fonction de paramètres, permettant ainsi des prévisions stables à long terme et une analyse spectrale sans nécessiter la connaissance explicite des équations gouvernantes.
Cette étude démontre la reproductibilité du cadre de liaison électrophysiologie-transcriptomique chez la souris, valide l'efficacité des modèles séquentiels par rapport aux approches traditionnelles, et prouve que l'apprentissage par transfert de la souris vers l'homme améliore la prédiction des sous-types d'interneurones GABAergiques dans le cortex humain.
Cet article présente la quantification vectorielle par réseau de Leech (LLVQ), une méthode pratique et hautement performante pour la compression des grands modèles de langage qui surpasse les approches récentes en exploitant les propriétés optimales du réseau de Leech à 24 dimensions sans nécessiter de stockage explicite de codebook.
Le papier présente V2M-Zero, une méthode de génération de musique à partir de vidéo sans données appariées qui assure un alignement temporel en exploitant les structures de changement communes entre les modalités via des courbes d'événements intra-modales, surpassant ainsi les approches basées sur des données appariées.
Ce papier présente NeFTY, un cadre de physique différentiable qui permet la reconstruction 3D quantitative des propriétés matérielles et la détection de défauts souterrains à partir de mesures thermiques de surface, en surmontant les limitations des approches traditionnelles et des réseaux de neurones physiques contraints.
L'article présente XConv, une méthode de rétropropagation stochastique pour les couches de convolution qui réduit considérablement l'utilisation de la mémoire tout en conservant les performances et l'intégration logicielle des méthodes exactes, sans imposer de contraintes architecturales.
Ce sondage examine systématiquement les méthodes d'apprentissage fédéré décentralisé (DFL) jusqu'en 2026, en les classant selon deux architectures, en proposant une taxonomie centrée sur les défis, en évaluant les pratiques actuelles et en identifiant des axes de recherche prioritaires pour renforcer la sécurité, la vie privée et les mécanismes d'incitation dans des environnements sans coordinateur central.
En surmontant les limitations des outils mathématiques précédents grâce à une généralisation multidimensionnelle du problème de la somme de sous-ensembles, cet article démontre l'existence de « tickets gagnants » structurés dans des réseaux de neurones convolutifs sur-paramétrés, prouvant ainsi qu'ils peuvent approximer des réseaux plus petits sans entraînement.
Cet article propose une méthode de clustering graphique novatrice et théoriquement fondée, capable de gérer simultanément les graphes homophiles et hétérophiles en construisant des graphes filtrés et en utilisant un mécanisme d'attention pour surpasser les méthodes actuelles.
Cet article présente un cadre d'apprentissage profond combinant la découverte de coordonnées et de cartes de flux pour améliorer l'efficacité computationnelle et la précision des simulations de systèmes multi-échelles complexes, comme démontré sur les modèles de FitzHugh-Nagumo et de Kuramoto-Sivashinsky.
Cet article présente une approche de détection de groupes cibles équitable et multi-groupes pour les discussions en ligne, qui réduit les biais tout en maintenant de fortes performances prédictives dans le contexte de la détection de toxicité.
Cet article propose et évalue une solution d'apprentissage par renforcement multi-agent basée sur le Q-learning pour optimiser les mises à jour de cartes HD dans les réseaux véhiculaires, démontrant des réductions significatives de latence par rapport aux approches mono-agent tout en limitant la charge computationnelle et les problèmes de compatibilité.
Cet article présente les Processus de Student-t Variationnels Épars (SVTP), un cadre novateur qui étend la méthode des points d'induction aux processus de Student-t pour offrir une modélisation robuste des queues lourdes et des valeurs aberrantes, surpassant les processus gaussiens épars en précision et en vitesse de convergence tout en restant efficace sur de grands jeux de données.
Ce papier présente HYGENE, la première méthode d'apprentissage profond basée sur la diffusion pour générer des hypergraphes réalistes et diversifiés en utilisant une approche d'expansion progressive locale sur leur représentation bipartite.
Ce papier propose un cadre unifié qui modélise la quantification et l'éparpillement comme du bruit additif et introduit une transformée de déquantification débruyante pour établir un chemin de gradient explicite, permettant ainsi l'entraînement robuste de réseaux de neurones à des précisions arbitraires et à des niveaux d'éparpillement extrêmes, y compris en dessous d'un bit.
Le papier propose ARLBench, un benchmark flexible et efficace pour l'optimisation des hyperparamètres en apprentissage par renforcement, conçu pour permettre des comparaisons fiables entre différentes méthodes d'AutoRL tout en réduisant considérablement les besoins en ressources de calcul.
Le papier présente DRUPI, une méthode de condensation de dataset qui améliore l'efficacité de l'apprentissage en synthétisant, en plus des données réduites, des informations privilégiées (telles que des étiquettes de caractéristiques ou d'attention) servant de supervision auxiliaire.