2316 articles
Cet article présente CDGLT, un cadre novateur et économe en calcul pour l'identification des métaphores multimodales qui utilise un mécanisme de dérive conceptuelle et un ajustement de la normalisation par couches pour atteindre des performances de pointe sur le benchmark MET-Meme.
L'article présente la SGPO, une méthode qui améliore l'optimisation par politique relative de groupe (GRPO) en intégrant un juge étape par étape pour exploiter les signaux d'apprentissage des groupes de réponses entièrement incorrects, comblant ainsi une lacune majeure de l'apprentissage par renforcement dans le raisonnement des grands modèles de langage.
Ce papier présente la Machine de Boltzmann Restreinte Gaussienne-Multinoulli (GM-RBM), une extension du modèle Potts qui remplace les unités cachées binaires par des unités catégorielles à q états pour mieux représenter des concepts multivalués, démontrant ainsi des performances supérieures ou compétitives sur des tâches de mémoire structurée et de rappel analogique par rapport aux modèles continus équivalents.
Le papier propose JULI, une méthode de contournement (jailbreak) des grands modèles de langage qui, en exploitant uniquement les probabilités logarithmiques des tokens via un petit module appelé BiasNet, permet de compromettre efficacement des modèles propriétaires accessibles par API dans un cadre de boîte noire.
Cet article propose une méthode innovante pour découvrir des équations différentielles symboliques à partir de données en utilisant des invariants de symétrie comme entités atomiques, garantissant ainsi que les lois physiques découvertes respectent les symétries du système tout en améliorant l'efficacité et la précision des algorithmes existants.
L'article présente UltraEdit, une méthode de mise à jour des connaissances dans les grands modèles de langage qui, sans nécessiter de réentraînement, de suivi des sujets ni de mémoire externe, permet une édition en temps réel ultra-rapide et économe en ressources tout en supportant jusqu'à deux millions de modifications grâce à une stratégie de normalisation continue.
Cette étude propose une méthodologie systématique pour évaluer les grands modèles de langage sur des appareils mobiles, démontrant que les modèles volumineux fortement quantifiés surpassent les modèles plus petits à haute précision et offrant des directives pour optimiser leur déploiement dans des environnements aux ressources limitées.
Le papier présente Saturn, un cadre d'apprentissage par renforcement basé sur les problèmes de satisfaisabilité booléenne (SAT) qui surmonte les limitations d'évolutivité, de vérification et de contrôle de difficulté des tâches existantes pour améliorer significativement les capacités de raisonnement des grands modèles de langage.
Le papier présente FrontierCO, un benchmark à grande échelle et fondé sur des structures réelles pour évaluer les solveurs d'optimisation combinatoire par apprentissage automatique, révélant un écart de performance persistant par rapport aux solveurs classiques sur des instances massives tout en identifiant des cas où les méthodes ML surpassent les approches traditionnelles.
Cet article présente la première revue systématique de l'intégration des modèles de fondation dans la robotique de service mobile, en analysant comment ces technologies surmontent les défis techniques et éthiques pour permettre une exécution de tâches adaptative et sûre dans des environnements réels.
Cet article propose SemiCP, une méthode de prédiction conforme semi-supervisée qui améliore la stabilité de la couverture en exploitant des données non étiquetées via un score de non-conformité basé sur l'appariement des plus proches voisins, réduisant ainsi considérablement l'erreur de couverture dans des scénarios à faible étiquetage.
Cet article propose un cadre général, nommé Sticky-Sequence Track-and-Stop, qui résout les problèmes d'exploration pure avec un ensemble infini de réponses possibles et garantit une optimalité asymptotique là où les méthodes existantes échouent.
Ce papier présente TSRating, un cadre unifié qui exploite le jugement de grands modèles de langage (LLM) et un apprentissage méta pour évaluer efficacement la qualité de données de séries temporelles provenant de domaines diversifiés, surpassant ainsi les méthodes existantes en précision et en adaptabilité.
Cette présentation propose CORA, une méthode d'attribution de crédit pour l'apprentissage par renforcement multi-agent coopératif qui utilise l'allocation du noyau de la théorie des jeux coopératifs et l'échantillonnage aléatoire de coalitions pour optimiser l'apprentissage des politiques en attribuant les avantages globaux aux stratégies de coalition.
Cet article propose deux nouveaux algorithmes d'apprentissage par renforcement sans modèle, Q-EarlySettled-LowCost et FedQ-EarlySettled-LowCost, qui réduisent simultanément les coûts d'initialisation, de commutation de politique et de communication tout en garantissant des regrets quasi-optimaux pour l'apprentissage par renforcement en agent unique et fédéré.
Ce papier propose ChannelTokenFormer, un cadre de prévision basé sur les Transformers conçu pour gérer simultanément les dépendances inter-canaux, l'échantillonnage asynchrone et les valeurs manquantes afin d'améliorer la robustesse des prévisions de séries temporelles multivariées dans des conditions réelles.
L'article présente WAFFLE, un algorithme de détection pré-entraînement utilisant des représentations compressées par transformée en ondelettes ou de Fourier pour identifier les clients malveillants dans l'apprentissage fédéré sans accéder aux données brutes, offrant ainsi une méthode efficace et légère pour améliorer la performance globale du modèle.
Cet article présente le modèle MIC, une approche basée sur des processus ponctuels de Hawkes multidimensionnels en mélange, qui permet de modéliser conjointement les interactions entre les utilisateurs et les cascades d'information pour mieux comprendre la dynamique des réseaux sociaux et surpasser les méthodes existantes.
Le papier propose ConLID, une méthode d'apprentissage contrastif supervisé qui améliore la reconnaissance des langues peu dotées sur des données hors domaine en apprenant des représentations invariantes au domaine, tout en préservant les performances des langues riches.
Cet article établit les premières garanties de convergence globale linéaire pour une variante de la méthode des moindres carrés itérativement pondérés (IRLS) avec régularisation dynamique, prouvant sa capacité à retrouver un sous-espace sous-jacent à partir de n'importe quelle initialisation dans le cadre de la récupération robuste de sous-espaces et de l'estimation de sous-espaces affines.