8351 articles
Cet article présente la distribution-conditioned transport (DCT), un cadre d'apprentissage qui conditionne les cartes de transport sur des embeddings de distributions pour généraliser à des paires de distributions inédites et améliorer les prévisions dans divers domaines biologiques.
Cet article propose les « Interactive Benchmarks », un nouveau paradigme d'évaluation unifié qui mesure la capacité de raisonnement des modèles dans des processus interactifs sous contraintes budgétaires, démontrant ainsi que les benchmarks traditionnels sont insuffisants et qu'il existe encore d'importantes marges de progression dans les scénarios interactifs.
Cet article présente CONE, un modèle hybride pré-entraîné qui encode les nombres, les intervalles et les gaussiennes avec leurs unités et attributs dans un espace vectoriel préservant la distance, démontrant ainsi des capacités de raisonnement numérique supérieures aux modèles de l'état de l'art sur des tâches complexes.
Le document présente KindSleep, un cadre d'apprentissage profond qui intègre des connaissances cliniques aux données d'oxymétrie et cliniques pour diagnostiquer avec précision et de manière transparente l'apnée obstructive du sommeil, surpassant les méthodes existantes sur de vastes ensembles de données.
Bien que la famille de modèles GPT-5 représente une avancée significative vers un raisonnement clinique multimodal intégré en surpassant GPT-4o dans la synthèse textuelle et l'analyse d'images, cette étude démontre qu'elle ne remplace pas encore les systèmes spécialisés dans des tâches de perception critique hautement spécifiques comme la neuroradiologie et la mammographie.
Ce papier présente ConTSG-Bench, un benchmark unifié et à grande échelle conçu pour évaluer systématiquement les modèles de génération de séries temporelles conditionnelles à travers diverses modalités et niveaux d'abstraction sémantique, révélant ainsi les limites actuelles et les axes de recherche prioritaires dans ce domaine.
Cet article propose un cadre d'apprentissage par renforcement distributionnel intégrant un goulot d'étranglement informationnel et une optimisation du risque conditionnel pour l'égalisation DRAM, permettant d'accélérer considérablement le processus tout en garantissant des performances optimales dans le pire des cas avec une quantification rigoureuse de l'incertitude.
Cet article présente la première caractérisation de l'équivalence distributionnelle et une méthode d'apprentissage sans hypothèses structurelles pour les modèles causaux cycliques linéaires non gaussiens avec variables latentes, en introduisant de nouvelles contraintes de rang d'arêtes pour identifier les graphes équivalents.
Cet article propose une méthode novatrice et efficace, nommée Diffusion Policy through Conditional Proximal Policy Optimization, qui permet d'entraîner des politiques de diffusion en apprentissage par renforcement on-policy en alignant l'itération de la politique sur le processus de diffusion, surmontant ainsi les défis de calcul de vraisemblance et permettant une génération d'actions multimodales performante.
Cet article propose la Reconstruction Contrastive par Diffusion (DCR), une méthode qui intègre des signaux contrastifs dérivés des images reconstruites dans le processus de diffusion pour surmonter les limites des encodeurs visuels CLIP et équilibrer simultanément les capacités de discrimination et de perception des détails.
Cet article démontre théoriquement que les biais inductifs des réseaux de neurones convolutifs, à savoir la localité et le partage de poids, permettent une généralisation efficace sur des données sphériques en contournant la malédiction de la dimensionnalité, contrairement aux réseaux entièrement connectés qui échouent dans ce régime.
Ce papier présente WhisperAlign, une solution combinant un découpage audio basé sur WhisperX et un affinage spécifique du domaine de Pyannote, pour améliorer la reconnaissance automatique de la parole et la diarisation dans des enregistrements bengalis longs et multi-locuteurs.
Cet article établit un lien entre la polarité quadratique et les divergences de Fenchel-Young polaires en montrant que les polarités génériques peuvent être exprimées via la polarité de Legendre déformée et manipulées par algèbre linéaire, offrant ainsi une nouvelle compréhension de la dualité de référence en géométrie de l'information et une interprétation des divergences de Bregman totales.
Cet article examine les forces et faiblesses des données pour l'assistance ouverte en corps, démontrant que des modèles multimodaux fine-tunés sur des données synthétiques variées (incluant l'ancrage multimodal et l'inférence de défauts) peuvent généraliser efficacement à de nouveaux comportements utilisateurs et configurations dans des tâches d'assistance corrective.
Ce papier propose le cadre CAD (Class-specific Augmentation based Disentanglement), une méthode novatrice utilisant des régulations intra- et inter-classe pour atténuer l'entrelacement des instances et améliorer les performances de l'apprentissage par étiquettes partielles dépendantes des instances (ID-PLL).
Cet article propose une méthode d'entraînement multiniveau pour les réseaux Kolmogorov-Arnold (KAN) qui, en exploitant leur structure de base splines via une équivalence avec des MLPs, permet d'accélérer considérablement l'optimisation et d'améliorer la précision, en particulier pour les réseaux de neurones informés par la physique.
Cet article présente MCal, une méthode post-hoc légère qui corrige efficacement le biais de manque dans les explications d'attribution de caractéristiques en affinant une simple tête linéaire sur un modèle de base figé, surpassant ainsi des approches antérieures plus coûteuses sur divers benchmarks médicaux.
Ce papier démontre théoriquement que l'alignement par RLHF est intrinsèquement superficiel car les gradients de sécurité s'annulent dès que le caractère nuisible d'une séquence est déterminé, et propose une nouvelle fonction objectif basée sur des pénalités de récupération pour garantir un alignement profond à toutes les positions.
Cet article présente l'attaque par distillation osmotique, une nouvelle stratégie de piratage de modèle qui exploite la vulnérabilité des ensembles de données synthétiques dans l'apprentissage par transfert pour réaliser des attaques de hijacking avec un nombre minimal d'échantillons tout en préservant l'utilité du modèle sur sa tâche principale.
Le papier présente ReCouPLe, un cadre léger qui utilise des rationales textuelles pour apprendre des récompenses causalement robustes à partir de préférences, permettant ainsi une généralisation supérieure aux tâches nouvelles et une meilleure résistance aux confusions causales par rapport aux méthodes existantes.