8627 articles
Les auteurs proposent un algorithme de sélection d'hypothèses sous confidentialité différentielle locale qui, grâce à une interaction limitée, atteint une complexité en échantillons optimale de , brisant ainsi la barrière de imposée aux méthodes non interactives.
Cette étude propose une enquête complète sur l'utilisation des réseaux de neurones graphiques pour la reconnaissance des émotions à partir de l'EEG, en présentant un cadre unifié de construction de graphes, en catégorisant les méthodes existantes et en identifiant les défis futurs pour guider les recherches dans ce domaine.
Cet article démontre que, bien que l'uniforme convergence reste équivalente à l'apprenabilité dans le cadre de l'apprentissage par listes, la conjecture de compression d'échantillon de Littlestone et Warmuth échoue, car il existe des classes apprenables par listes qui ne peuvent pas être compressées, même avec des listes de reconstruction arbitrairement grandes.
Les auteurs proposent un algorithme efficace pour la tomographie agnostique des états produits de stabilisateurs à qubits, permettant d'obtenir une description succincte d'un état approximant un état inconnu aussi bien que le meilleur état de cette classe, avec une complexité polynomiale en et pour une fidélité constante.
Cet article examine les défis de conception des fonctions de récompense pour l'apprentissage par renforcement dans la conduite autonome en catégorisant les objectifs, en identifiant leurs limites actuelles et en proposant des pistes de recherche futures pour des récompenses structurées, contextuelles et validées.
Cet article étend les garanties de suivi des solutions d'inéquations variationnelles dépendantes du temps à des cas non monotones et périodiques, tout en démontrant que les systèmes dynamiques discrets associés peuvent soit converger soit présenter un comportement chaotique.
Cet article présente une méthode de méta-apprentissage qui optimise les récompenses intrinsèques pour les agents d'apprentissage par renforcement en traitant les mises à jour de la politique comme des boîtes noires, améliorant ainsi l'efficacité de l'apprentissage et l'exploration dans des environnements à récompenses clairsemées.
Ce papier présente AuToMATo, un algorithme de clustering basé sur l'homologie persistante qui, grâce à des paramètres par défaut robustes et une procédure de bootstrapping, offre une solution « prête à l'emploi » surpassant souvent les meilleurs réglages d'autres méthodes et s'intégrant parfaitement à l'écosystème scikit-learn et à l'analyse de données topologiques.
Cet article établit que la détection de la corrélation entre deux graphes stochastiques en blocs subsampelés est possible par des polynômes de bas degré si et seulement si le taux d'échantillonnage dépasse le minimum entre la constante d'Otter et le seuil de Kesten-Stigum, définissant ainsi la frontière entre les régimes facile et difficile pour ce problème.
Ce papier propose la procédure IPMF, une méthode unifiée combinant l'ajustement proportionnel itératif et l'ajustement markovien itératif pour résoudre efficacement les ponts de Schrödinger et les ponts adversariaux, tout en garantissant la convergence et en offrant un compromis flexible entre similarité d'images et qualité de génération.
L'article présente ANOMIX, une approche novatrice pour la détection d'anomalies dans les graphes qui améliore la capacité de raisonnement des modèles en synthétisant des contre-exemples difficiles via une stratégie de mixup pour mieux distinguer les anomalies subtiles situées à la frontière des données normales.
Les auteurs proposent une approche d'optimisation robuste distributive par groupes enrichie par un apprentissage par curriculum (CeGDRO) qui, en priorisant les échantillons les plus difficiles à confirmer les biais et les plus faciles à les contredire, surpasse les méthodes actuelles sur les scénarios de décalage de sous-population en évitant l'ancrage prématuré dans des corrélations spurious.
Le papier présente FlowCLAS, un cadre hybride qui améliore les flux normalisants pour la segmentation d'anomalies en robotique en combinant une fonction de perte de vraisemblance maximale avec un apprentissage contrastif basé sur l'exposition aux valeurs aberrantes, établissant ainsi de nouvelles performances de pointe sur plusieurs benchmarks.
Cet article présente FSMLP, un cadre innovant pour la prévision de séries temporelles qui intègre une couche MLP contrainte par la théorie des simplexes pour réduire le surajustement dans la modélisation des dépendances inter-canaux et opérer dans le domaine fréquentiel, démontrant ainsi une précision et une efficacité supérieures sur plusieurs jeux de données de référence.
Cet article propose une définition précise et une méthodologie standardisée pour classifier et évaluer les capacités de mémoire des agents d'apprentissage par renforcement, en s'inspirant des sciences cognitives afin de remédier au manque de clarté actuel et d'éviter des jugements erronés.
Ce papier propose le cadre LoCo-RLHF, qui intègre des informations contextuelles via une structure de faible rang et une politique pessimiste dans un sous-espace réduit pour surmonter l'hétérogénéité des retours humains et les décalages de distribution dans l'apprentissage par renforcement à partir de feedback humain.
Cet article démontre théoriquement et empiriquement que la suppression des exemples difficiles améliore les performances de l'apprentissage contrastif non supervisé en renforçant ses bornes de généralisation, contrairement à ce qui est observé en apprentissage supervisé.
Cette étude révèle et caractérise le phénomène de « fuite de préférences », une forme de contamination systémique où les modèles de langage utilisés comme juges présentent un biais envers les modèles qu'ils ont générés ou qui leur sont apparentés, compromettant ainsi la fiabilité des évaluations et de la synthèse de données.
Ce papier présente MIKASA, un benchmark complet et unifié incluant des tâches de manipulation robotique, conçu pour évaluer et faire progresser les capacités de mémoire des agents d'apprentissage par renforcement face à des tâches complexes.
Cet article présente le jeu de données UNB StepUP-P150, une base de données publique de haute résolution contenant plus de 200 000 empreintes plantaires issues de 150 individus marchant à différentes vitesses et avec divers types de chaussures, conçue pour favoriser les avancées en reconnaissance biométrique de la démarche, en biomécanique et en apprentissage profond.