2204 articles
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.
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.
Cet article établit des taux de convergence pour la dernière itérée des algorithmes de descente de gradient stochastique et de la boule lourde stochastique dans des cadres convexe et non convexe, en utilisant uniquement l'inégalité de Gronwall discrète pour obtenir des résultats de convergence pour les fonctions objectif à gradient Hölderien.
Cette étude évalue systématiquement différentes architectures DeepONet pour la modélisation de la consolidation géotechnique, démontrant qu'une variante enrichie par des caractéristiques de Fourier dans le réseau tronc surpasse les configurations standards et permet une accélération significative des calculs en 3D, ouvrant ainsi la voie à une quantification efficace des incertitudes dans ce domaine.
Ce travail présente LangevinFlow, un modèle d'auto-encodeur variationnel séquentiel inspiré par la physique qui utilise l'équation de Langevin sous-amortie et un réseau d'oscillateurs couplés pour capturer avec succès la dynamique latente complexe des populations neuronales, surpassant les méthodes de l'état de l'art sur plusieurs benchmarks et tâches de décodage comportemental.
Cet article présente la Latent Policy Steering (LPS), une méthode qui améliore les politiques robotiques en faible quantité de données en pré-entraînant un modèle du monde avec des flux optiques pour exploiter des données hétérogènes, puis en affinant ce modèle sur des démonstrations cibles pour sélectionner les meilleures actions et surpasser significativement les approches par imitation comportementale.
Ce papier présente MLES, une approche novatrice combinant des modèles de langage multimodaux et une recherche évolutionnaire pour générer des politiques de contrôle programmatiques transparentes, vérifiables et performantes, offrant une alternative interprétable aux réseaux de neurones opaques du deep reinforcement learning.
Ce papier présente CTRL, une méthode d'apprentissage méta qui combine l'apprentissage résiduel inter-domaines et le regroupement adaptatif pour améliorer la précision globale tout en préservant l'hétérogénéité des sources dans des contextes de nombreux petits ensembles de données, surpassant ainsi les méthodes de référence sur plusieurs jeux de données réels.
Cet article propose une approche novatrice utilisant des avatars virtuels et de la musique générée par l'IA pour transformer les syllabus textuels en présentations audiovisuelles chantées, afin d'améliorer l'engagement, la mémorisation et la compréhension des étudiants.
Cet article présente un cadre léger et efficace en données basé sur les réseaux de neurones à graphes, enrichi par des connaissances spécifiques aux circuits RF, permettant de prédire avec une grande précision les performances de diverses topologies de circuits actifs radiofréquences tout en surpassant considérablement les méthodes de l'état de l'art.
Cette étude présente une méthode d'apprentissage en contexte itératif qui améliore la généralisation des grands modèles de langage dans des tâches de raisonnement abstrait, telles que l'algèbre avec des règles non standard, en démontrant que la sélection itérative d'exemples simples et la formulation d'instructions explicites surpassent l'utilisation d'exemples complexes.
Cet article présente un modèle de substitution basé sur un réseau de neurones résiduel entièrement connecté (FCRN) entraîné sur des simulations par éléments finis, permettant de prédire rapidement et avec précision la distribution de courant et les pertes dans les solénoïdes supraconducteurs à haute température de grande taille pour faciliter leur conception intelligente.
Cet article propose et compare des méthodes de quadrature à points répulsifs pour le calcul de la distance de Wasserstein tranchée sur la sphère, concluant que l'estimateur UnifOrtho est optimal en grande dimension tandis que les méthodes quasi-Monte Carlo sont préférables en faible dimension.
Ce papier présente RCS, un écosystème logiciel léger et modulaire conçu pour combler le fossé entre les simulations et les robots réels, afin de faciliter l'entraînement à grande échelle et le déploiement de politiques robotiques généralistes basées sur des modèles vision-langage-action (VLA).
Cet article propose un modèle génératif basé sur la dynamique stochastique de Kuramoto pour mieux capturer les motifs directionnels cohérents des images riches en orientation, comme les empreintes digitales, en remplaçant la diffusion euclidienne isotrope par un processus de synchronisation et de désynchronisation sur des domaines périodiques.
Ce papier présente ZeroSiam, une architecture asymétrique Siamese efficace qui prévient l'effondrement des modèles lors de l'optimisation de l'entropie au moment du test tout en régularisant les signaux d'apprentissage et en améliorant les performances sur diverses tâches de vision et de raisonnement.
Ce papier présente la Composition Générale des Politiques (GPC), une méthode sans entraînement qui améliore les performances des robots en combinant de manière convexes les scores de distribution de plusieurs politiques pré-entraînées, permettant ainsi de dépasser les capacités de chaque politique individuelle sans coût de données supplémentaire.