8597 articles
Cet article propose un cadre d'apprentissage antagoniste novateur qui intègre la variabilité inter-sujet pour générer des représentations de caractéristiques invariantes et améliorer la reconnaissance d'activités humaines via des capteurs inertiels portables.
Le papier présente TopKGraphs, une méthode non paramétrique et interprétable qui estime la similarité entre les nœuds d'un graphe en combinant des marches aléatoires biaisées par la similarité de Jaccard avec une agrégation robuste de classements, surpassant ainsi les approches classiques dans divers scénarios de réseaux complexes.
Cet article remet en question la nécessité d'apprendre les applications de restriction dans les réseaux de neurones sur faisceaux en démontrant qu'une version simplifiée avec des applications fixes à l'identité atteint des performances comparables sur des graphes hétérophiles, suggérant ainsi que la complexité supplémentaire n'est pas justifiée par une réduction empirique du lissage excessif.
Cet article examine, d'un point de vue statistique, les possibilités et les limites de l'utilisation des données synthétiques générées par l'IA, en identifiant les hypothèses nécessaires pour une inférence valide et en proposant des recommandations pratiques pour éviter les biais et les pièges méthodologiques.
Le papier présente MobileFetalCLIP, une méthode de distillation de connaissances répulsive sélective qui permet à un modèle étudiant léger de surpasser un modèle enseignant massif dans l'analyse d'échographies fœtales, rendant ainsi possible un déploiement en temps réel sur des appareils mobiles à ressources limitées.
Cet article présente un réseau de neurones interprétable conçu pour les données tabulaires médicales, qui utilise des parties prototypiques apprises pour fournir des prédictions transparentes alignées sur le langage clinique tout en maintenant des performances de classification compétitives.
Cet article propose un cadre unifié pour l'assemblage de modèles de langage via des distributions -ensembles, en utilisant un algorithme de Monte Carlo séquentiel au niveau des octets pour surmonter les défis de la normalisation locale et des vocabulaires incompatibles, permettant ainsi d'obtenir de meilleures performances de génération que les méthodes d'agrégation traditionnelles.
L'article présente OPSDC, une méthode d'auto-distillation en ligne qui permet aux modèles de raisonnement d'apprendre à être plus concis en se distillant eux-mêmes, réduisant ainsi considérablement le nombre de tokens générés tout en améliorant leur précision sur des tâches mathématiques complexes.
Ce papier présente LWAIL, une nouvelle méthode d'apprentissage par imitation adversaire qui utilise un espace latent dynamique appris via une fonction de valeur conditionnée à l'intention pour permettre à un agent d'atteindre des performances expertes en n'utilisant que quelques épisodes d'expert sans accès aux actions.
Cet article propose une méthode d'apprentissage de séquences quantiques utilisant une couche de sortie structurée en opérateurs de Kraus pour garantir des mises à jour d'états physiquement valides et améliorer la précision de l'estimation des trajectoires quantiques en régime non stationnaire, surpassant les modèles non contraints grâce à une architecture basée sur le LSTM.
Ce papier établit un cadre thermodynamique unifié pour les modèles bayésiens singuliers, démontrant que le tempérage du posterior génère des fonctions de réponse qui relient les invariants géométriques (comme le seuil log canonique réel) aux critères de sélection de modèles (WAIC, WBIC) et révèlent des comportements de transition de phase liés à la réorganisation structurelle de la géométrie du posterior.
Ce papier présente SurvHTE-Bench, le premier benchmark complet pour l'estimation des effets de traitement hétérogènes sur des données de survie censurées, offrant une suite de données synthétiques, semi-synthétiques et réelles permettant une évaluation rigoureuse et reproductible des méthodes causales dans ce domaine.
Cette étude révèle que les modèles de raisonnement peuvent manifester un « théâtre de raisonnement » performant, mais que le sondage des activations permet de détecter les véritables changements de croyance et d'arrêter la génération de tokens bien plus tôt, réduisant ainsi considérablement le coût computationnel sans sacrifier la précision.
Cette étude utilise des modèles de langage chinois censurés comme banc d'essai naturel pour évaluer des techniques d'élicitation de l'honnêteté et de détection de mensonges, démontrant que certaines méthodes augmentent les réponses véridiques et se transfèrent à d'autres modèles, bien qu'aucune ne supprime totalement les fausses réponses.
Cette étude propose un cadre novateur en trois étapes combinant des étiquettes imparfaites peu coûteuses, un pré-entraînement supervisé et un affinage auto-supervisé pour optimiser efficacement la résolution de problèmes complexes, réduisant ainsi considérablement les coûts tout en améliorant la précision et la faisabilité des solutions.
Le papier présente POET-X, une variante économe en mémoire et efficace du cadre POET pour l'entraînement des grands modèles de langage, qui permet de préentraîner des modèles à plusieurs milliards de paramètres sur un seul GPU Nvidia H100 là où les optimiseurs standards échouent par manque de mémoire.
Le papier présente RoboPocket, un système portable utilisant la réalité augmentée sur smartphone pour visualiser les prédictions d'un robot et permettre une itération de politique instantanée et sans robot physique, doublant ainsi l'efficacité des données par rapport aux stratégies hors ligne.
Ce papier présente RATE, une architecture de transformer récurrent avec mémoire conçue pour l'apprentissage par renforcement hors ligne, qui améliore significativement la prise de décision dans des environnements partiellement observables en régulant la rétention d'informations sur de longues séquences tout en restant compétitive sur des tâches standard.
Ce papier présente Crystal-GFN, un modèle génératif basé sur les GFlowNets capable de concevoir efficacement des structures cristallines valides et diversifiées répondant à des contraintes géométriques et physico-chimiques spécifiques pour accélérer la découverte de matériaux.
Le cadre GeoTop unifie l'analyse topologique des données et les courbures de Lipschitz-Killing pour surmonter l'équivalence topologique en imagerie diagnostique, offrant ainsi une classification précise et interprétable des lésions cutanées grâce à la différenciation géométrique fine.