7103 articles
Le papier présente BD-Merging, un cadre de fusion de modèles sans supervision qui intègre l'apprentissage contrastif guidé par des preuves et une estimation d'incertitude pour atténuer les biais et améliorer la robustesse face aux décalages de distribution lors de l'apprentissage multi-tâches.
Cet article propose une méthodologie hiérarchique bayésienne combinant des inférences adaptatives, des modèles de fermeture basés sur l'apprentissage automatique et des stratégies d'optimisation bi-niveau avec des substituts (FNO et PINN) pour résoudre simultanément les problèmes inverses et apprendre les dynamiques inconnues dans des systèmes ODE et PDE à partir de données hétérogènes.
Cette étude évalue des algorithmes d'apprentissage par renforcement hors ligne dans un environnement de télécommunications stochastique et conclut que l'approche Conservative Q-Learning offre la robustesse la plus fiable pour le contrôle des réseaux, bien que les méthodes basées sur les séquences puissent surpasser les approches traditionnelles lorsque des trajectoires à haut rendement sont disponibles.
Cet article propose un cadre temporel basé sur les processus de Hawkes multivariés pour démêler les tendances d'interaction intrinsèques des effets d'amplification algorithmique dans l'évolution des réseaux, en introduisant une mesure de biais instantané qui capture la dynamique de renforcement au-delà des métriques cumulatives.
Le papier présente Lang2Str, un cadre de génération en deux étapes combinant des modèles de langage de grande taille pour la conception de conditions géométriques et des modèles de flux continus pour la prédiction précise des structures cristallines, surpassant ainsi les modèles actuels dans la découverte de matériaux valides et diversifiés.
Le papier présente GIPO, une méthode d'optimisation de politique basée sur un échantillonnage d'importance tronqué utilisant un poids de confiance gaussien pour améliorer l'efficacité des échantillons et la stabilité de l'apprentissage par renforcement dans les agents multimodaux, en particulier lorsque les données sont rares ou obsolètes.
Ce papier propose TFWaveFormer, une architecture Transformer innovante qui combine l'analyse temporelle-fréquentielle et la décomposition en ondelettes multi-résolutions pour surpasser les modèles existants dans la prédiction de liens dynamiques.
Cet article propose une contrainte d'assertibilité inspirée de Brouwer pour les systèmes d'IA responsables, exigeant que les affirmations dans les domaines à haut risque soient accompagnées d'un certificat contestable ou marquées comme « indéterminées », afin de préserver l'agence épistémique démocratique en séparant l'entitlement interne de la portée publique.
Le papier présente Dual-Solver, un solveur d'équations différentielles généralisé pour les modèles de diffusion qui, grâce à des paramètres appris via une classification, optimise l'interpolation des types de prédiction et le domaine d'intégration pour améliorer la qualité des images générées avec un nombre réduit d'évaluations de fonctions.
Cet article propose un modèle théorique expliquant la spécialisation séquentielle des têtes d'attention dans les transformers, démontrant que l'utilisation de fonctions d'activation spécifiques comme softmax-1 ou Bayes-softmax permet de réduire le bruit et d'atteindre des performances de prédiction optimales.
L'article propose « Spectral Surgery », une méthode sans entraînement qui améliore les adaptateurs LoRA déjà formés en réajustant de manière ciblée leurs valeurs singulières à l'aide de gradients, permettant ainsi d'optimiser les performances sur diverses tâches avec un coût computationnel minimal.
Cet article remet en question l'hypothèse selon laquelle la précision prédictive est essentielle à l'optimisation basée sur un modèle hors ligne (MBO) en démontrant qu'il s'agit fondamentalement d'un problème de classement, propose un cadre théorique unifié et une méthode de classement adaptée à la distribution pour surpasser les approches existantes, tout en révélant les limites intrinsèques du MBO hors ligne face à l'extrapolation trop optimiste.
Cette étude propose un cadre sans réentraînement exploitant des modèles de diffusion pré-entraînés, combinés à un module de codage de canal inverse et un décodeur ODE à flux de probabilité, pour parcourir de manière optimale et flexible l'ensemble du compromis taux-distorsion-perception.
Cet article propose l'algorithme FCSR pour identifier, sous contrainte de budget fixe, le meilleur bras dans un cadre de bandits groupés où la faisabilité exige que tous les attributs dépassent un seuil donné, en démontrant théoriquement et empiriquement son optimalité et sa supériorité par rapport aux méthodes existantes.
Ce papier propose les Réseaux de Neurones Logiques Modaux Continus (CMLNNs), une nouvelle approche nommée « Fluid Logic » qui remplace les structures de Kripke discrètes par des équations différentielles stochastiques neuronales pour intégrer le raisonnement modal dans l'apprentissage profond, permettant ainsi de garantir la cohérence structurelle des solutions neuronales via des contraintes logiques sans nécessiter la connaissance des équations gouvernantes.
Cet article propose un cadre d'évaluation multidimensionnelle pour l'inférence décentralisée de LLM, qui, après calibration pour éliminer les dimensions non fiables, fournit un signal de qualité robuste et complémentaire aux mécanismes de Preuve de Qualité (PoQ) existants pour optimiser les récompenses dans des environnements hétérogènes et adversariaux.
Ce rapport technique présente le système de l'équipe CP-JKU pour le défi MSR ICASSP 2025, qui restaure les sources musicales en combinant une séparation multi-étapes par BandSplit-RoFormer et une restauration de forme d'onde par un GAN HiFi++ spécialisé.
Ce papier propose DQE-CIR, une méthode de recherche d'images composée qui améliore la discrimination des requêtes en intégrant des pondérations d'attributs apprissables et un échantillonnage de négatifs relatifs à la cible pour mieux gérer les modifications d'attributs fins.
Cet article propose l'amplification de la différence de logit (LDA) comme mécanisme de contrôle à l'inférence pour atténuer la génération de protéines toxiques dans les modèles de langage protéique sans compromettre leur plausibilité biologique ni leur qualité structurelle.
Ce papier propose un cadre novateur pour l'optimisation sémidéfinie et l'apprentissage automatique quantique en interprétant les opérateurs de mesure comme des modes fermioniques, ce qui permet de résoudre des problèmes d'hypothèses quantiques et d'optimisation via des mesures thermiques de Fermi-Dirac paramétrables plutôt que par la préparation d'états thermiques.