8581 articles
Ce papier présente ARC-TGI, un cadre open-source de générateurs de tâches validés par des humains et dotés de chaînes de raisonnement, conçu pour produire de manière évolutive des ensembles de données diversifiés et contrôlés pour l'évaluation des modèles sur ARC-AGI tout en évitant le surapprentissage.
Le papier présente BLINK, un modèle d'espace d'états récurrent basé sur les trajectoires qui apprend la dynamique latente des interactions entre les cellules NK et les cellules tumorales pour prédire et anticiper les résultats de cytotoxicité tout en offrant une représentation interprétable des modes comportementaux cellulaires.
Cet article propose une méthode d'apprentissage par renforcement en deux étapes qui découple les objectifs de tâche des termes comportementaux via un curriculum de récompense, permettant d'améliorer la stabilité et la robustesse de l'entraînement des robots sur des tâches multi-objectifs.
Les auteurs proposent FedBCGD et son version accélérée FedBCGD+, de nouvelles méthodes de descente de gradient par blocs coordonnés pour l'apprentissage fédéré qui réduisent significativement la surcharge de communication et améliorent la convergence lors de l'entraînement de modèles profonds à grande échelle.
Cet article propose SRasP, une nouvelle méthode de perturbation de style auto-réorientée qui améliore l'apprentissage few-shot cross-domaine en stabilisant les gradients et en favorisant la convergence vers des minima plus plats grâce à une guidance sémantique globale et une optimisation multi-objectifs.
Cet article présente une méthode d'échantillonnage guidé par des particules utilisant des modèles de diffusion, entraînée sur des équations d'advection-réaction-diffusion, qui permet de générer des champs de concentration physiquement cohérents et de prédire avec précision les concentrations de sortie pour des réactions chimiques en phase gazeuse, y compris dans des conditions paramétriques non vues.
Ce papier établit une correspondance exacte entre la puissance expressive des réseaux de neurones à graphes récurrents et celle des circuits arithmétiques récurrents opérant sur les nombres réels, en démontrant que ces deux modèles peuvent se simuler mutuellement.
Cette étude théorique et empirique démontre que le raisonnement analogique dans les transformers repose sur un mécanisme d'alignement des représentations de propriétés, nécessitant un curriculum d'apprentissage spécifique où la structure de similarité est acquise avant les attributs particuliers.
Cet article présente fedCI et fedCI-IOD, des méthodes fédérées permettant la découverte causale sur des données hétérogènes et distribuées avec des confondants latents, tout en préservant la confidentialité et en améliorant la puissance statistique par rapport aux analyses locales.
Cette étude démontre que le recadrage simple des poumons par une boîte englobante permet de réduire l'apprentissage de raccourcis raciaux dans les modèles de diagnostic par radiographie thoracique tout en préservant leur précision, contournant ainsi le compromis habituel entre équité et performance.
Ce papier propose Alt-FL, un cadre d'apprentissage fédéré qui équilibre confidentialité, qualité et efficacité en intercalant de manière cyclique des techniques de protection (differential privacy, chiffrement homomorphe et données synthétiques), démontrant ainsi que l'intercalage de la confidentialité offre le meilleur compromis pour les exigences de haute protection tandis que les méthodes basées sur la differential privacy sont préférables pour des besoins intermédiaires.
Cet article présente le GeoDVF, un cadre variationnel profond adaptatif qui optimise conjointement l'ordre paramétré par un réseau de neurones et la géométrie du domaine de calcul pour découvrir des phases ordonnées stables et métastables dans le modèle de Landau-Brazovskii, en éliminant les contraintes artificielles et en facilitant la nucléation de structures complexes.
Cet article propose une couche de quantification logicielle entraînable par bits qui comprime les caractéristiques d'entrée des réseaux de neurones pour réduire considérablement le volume de données transférées vers des serveurs distants, tout en maintenant une précision proche de celle des modèles en pleine précision.
Cet article propose un cadre de régulation de l'IA fondé sur la conception de mécanismes et la théorie des probabilités imprécises, démontrant qu'une régulation efficace permettant d'éliminer les acteurs non conformes tout en encourageant les acteurs conformes est possible si et seulement si l'ensemble des distributions non conformes forme un ensemble crédal.
Ce papier présente le STCV, un nouvel algorithme de régression parcimonieuse robuste à la normalisation des données qui, en remplaçant le seuillage magnétique par une métrique statistique sans dimension, permet d'identifier avec fiabilité les lois physiques gouvernant des systèmes dynamiques non linéaires bruyants, là où les méthodes conventionnelles échouent.
Ce papier propose Stable-LoRA, une stratégie d'optimisation par rétrécissement des poids qui stabilise l'apprentissage des caractéristiques dans la méthode LoRA en éliminant les instabilités causées par l'initialisation non nulle, tout en surpassant les méthodes de base sans coût mémoire supplémentaire.
Cet article propose une méthode d'élagage de vocabulaire pour les modèles de brouillon dans le cadre de la décodage spéculatif, qui optimise un compromis entre la couverture des tokens et la latence afin d'accélérer l'inférence des grands modèles de langage, en particulier sur des tâches spécifiques à un domaine.
Cet article présente IAENet, un cadre d'apprentissage multi-étiquettes basé sur Transformer qui intègre des données cliniques hétérogènes et une nouvelle fonction de perte pour prédire avec précision six types d'événements indésirables peropératoires, surpassant ainsi les méthodes existantes pour améliorer la sécurité des patients.
Ce papier présente KARL, un système d'agents de recherche d'entreprise entraînés par apprentissage par renforcement multi-tâches et des données synthétiques, qui atteint des performances de pointe sur une suite d'évaluation diversifiée tout en surpassant les modèles fermés les plus avancés en termes de compromis coût-qualité et de latence.
Cet article propose un cadre novateur pour estimer des règles de décision individualisées optimales tout en intégrant des contraintes de parité démographique et de parité démographique conditionnelle, garantissant ainsi l'équité sans sacrifier l'efficacité computationnelle ni la performance théorique.