2316 articles
Cet article propose une méthode de réparation de données équitable basée sur le transport optimal et un arrêt bayésien non paramétrique pour surmonter les biais de représentation et permettre l'application de ces corrections sur des données hors échantillon, tout en offrant un compromis contrôlable entre équité et intégrité des données.
Ce papier propose une méthode d'apprentissage de représentations non supervisé qui factorise les transformations des variables latentes en composantes sparses via un modèle de flot de probabilité, permettant d'obtenir des représentations décorrélées basées sur des primitives de transformation apprises et d'atteindre des performances de pointe en termes de vraisemblance des données et d'équivariance approximative.
Cet article propose une approche d'optimisation différentiable basée sur les fonctions de barrière de contrôle pour apprendre de manière interprétable, à partir de données, comment les agents multi-agents allouent leur responsabilité afin d'assurer des interactions sûres et efficaces.
Cet article présente une nouvelle approche combinant l'algorithme de Donaldson et l'apprentissage automatique via la descente de gradient sur une variété de Grassmann pour obtenir des approximations de métriques de Kähler plates en Ricci, en appliquant cette méthode à la famille de Dwork de trois-variétés.
Ce papier propose et analyse théoriquement deux estimateurs par sous-échantillonnage, l'échantillonnage d'importance adaptatif et le sous-échantillonnage stratifié, pour réaliser une régression robuste en haute dimension sous des hypothèses de bruit à variance finie, de contamination et de dépendance temporelle, tout en fournissant des intervalles de confiance valides et démontrant des performances empiriques supérieures.
Les auteurs proposent les Scalable Message Passing Neural Networks (SMPNNs), une architecture de réseaux de neurones graphiques profonds qui remplace le mécanisme d'attention par des convolutions standard intégrées à des blocs de type Transformer avec normalisation pré-couche, permettant ainsi d'atteindre des performances compétitives sur de grands graphes tout en évitant le sur-ajustement et les coûts computationnels élevés.
Ce papier propose SPDIM, une méthode d'adaptation de domaine sans source et non supervisée basée sur l'optimisation géométrique sur la variété des matrices définies positives, qui surpasse les approches existantes pour gérer les décalages de distribution, y compris les décalages d'étiquettes, dans les données EEG.
Cet article propose un cadre de prognostique non supervisé permettant de prédire la durée de vie utile résiduelle des habitats spatiaux profonds en identifiant simultanément des modes de défaillance inconnus et en sélectionnant les capteurs pertinents à partir de données non étiquetées.
Cet article présente le MS-HGNN, un réseau de neurones sur graphes hétérogènes équivariant aux symétries morphologiques qui intègre les structures cinématiques et les symétries des robots pour apprendre efficacement leur dynamique avec une grande généralisabilité, comme validé par des expériences sur des robots quadrupèdes.
Ce papier présente CuriousBot, un système de robotique mobile qui utilise un graphe d'objets relationnels 3D pour surmonter les limites des méthodes actuelles en permettant une exploration interactive et généralisable au-delà des scènes de table, surpassant ainsi les approches basées uniquement sur les modèles vision-langage.
Cette étude démontre que des empreintes moléculaires simples et interprétables, combinées à des modèles d'apprentissage automatique légers, surpassent les approches complexes basées sur les graphes et les transformateurs pour la prédiction des propriétés des peptides, remettant ainsi en question la nécessité de modéliser les interactions à longue portée.
Ce papier présente Astromer 2, un modèle fondamental amélioré pour l'analyse de courbes de lumière qui, grâce à un pré-entraînement auto-supervisé sur 1,5 million de courbes et l'utilisation d'embeddings pondérés, surpasse significativement son prédécesseur Astromer 1 en classification, notamment dans des scénarios à données limitées.
Cet article propose un cadre unifié pour évaluer comment la personnalisation des modèles d'apprentissage automatique affecte simultanément la précision des prédictions et la clarté des explications, en démontrant que ces impacts peuvent diverger et en établissant des limites théoriques pour détecter ces effets dans des contextes réels.
Cet article propose une méthodologie pratique basée sur la notion de « signature spatiale » d'un ensemble de données pour évaluer et garantir la robustesse des évaluations de données par semi-valeurs face aux variations du choix de l'utilité.
Cet article présente un cadre intégré de type Real2Sim2Real pour la manipulation d'objets linéaires déformables, qui utilise l'inférence sans vraisemblance pour estimer les paramètres physiques à partir de données visuelles et proprioceptives afin d'entraîner des politiques visuomotrices en simulation et de les déployer avec succès dans le monde réel sans ajustement supplémentaire.
Cet article propose une méthode de rééquilibrage de l'importance des caractéristiques (FIR) qui améliore la fiabilité des indices de validité de clustering dans des mélanges gaussiens bruyants en atténuant l'influence des caractéristiques non pertinentes, renforçant ainsi la corrélation avec la vérité terrain même en présence de données de haute dimension.
Cet article propose le concept d'unités fonctionnelles comme nouveau paradigme essentiel pour combler le fossé entre les corrélations structure-propriétés traditionnelles et les approches de découverte de matériaux pilotées par l'intelligence artificielle.
Le papier présente HyConEx, un classifieur basé sur des hyperréseaux conçu pour les données tabulaires, qui génère simultanément des prédictions et des explications locales sous forme d'exemples contrefactuels, comblant ainsi le vide laissé par l'absence de classifieurs interprétables produisant directement des échantillons contrefactuels.
Cet article propose des formulations de programmation linéaire en nombres entiers pour construire des arbres de modèles optimaux avec des machines à vecteurs de support linéaires dans les feuilles, démontrant que cette approche globale permet d'obtenir des arbres plus petits et aussi précis que les méthodes gloutonnes ou d'autres algorithmes d'apprentissage automatique sur un large éventail de jeux de données.
Cet article propose une critique conséquentialiste des méthodes d'évaluation binaire en machine learning, démontrant par une revue empirique et un nouveau cadre théorique que les règles de score appropriées comme le score Brier sont supérieures aux métriques à seuil fixe, tout en fournissant l'outil logiciel `briertools` et une variante tronquée pour faciliter leur adoption pratique.