8656 articles
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.
Cet article présente Implicit U-KAN 2.0, une nouvelle architecture de segmentation d'images médicales basée sur des équations différentielles neuronales d'ordre deux et des couches MultiKAN, qui améliore l'interprétabilité, la performance théorique et l'efficacité computationnelle par rapport aux méthodes existantes.
Cet article propose l'approche TS4NAP, qui exploite les taxonomies médicales et la correspondance de graphes pour améliorer l'exactitude et l'explicabilité de la prédiction de la prochaine étape de traitement des patients, en surmontant les défis liés à la variabilité et à la rareté des données cliniques.
Cette étude propose une analyse à grande échelle de neuf dimensions de qualité au-delà de la simple précision pour les modèles de classification d'images, révélant l'impact des paradigmes d'entraînement et des architectures, et introduisant le score QUBA pour évaluer et classer ces modèles de manière holistique.
Ce papier propose un nouveau jeu de données axé sur les interactions et une méthode d'affinement par décomposition assistée par des modèles de langage multimodaux pour améliorer la génération d'images text-to-image riches en interactions complexes entre objets.
Ce papier présente PinRec, un modèle de récupération générative à échelle industrielle développé par Pinterest qui utilise une génération conditionnée par les résultats et multi-jetons pour équilibrer efficacement les performances, la diversité et l'efficacité tout en s'alignant sur les objectifs commerciaux.
Cet article présente N2M-RSI, un modèle formel minimal démontrant que, dès qu'un agent IA intègre ses propres sorties comme données d'entraînement au-delà d'un seuil d'intégration informationnelle, sa complexité interne croît sans limite, un phénomène qui s'amplifie dans des essaims d'agents communicants.
Cet article présente Akkumula, un cadre de modélisation basé sur des réseaux de neurones à impulsions qui améliore la réalisme des modèles de conduite en simulant l'accumulation de preuves pour reproduire avec précision les actions des conducteurs tout en restant adaptable et transparent.
Cette étude présente PubHealthBench, un nouveau benchmark de plus de 8000 questions évaluant la connaissance des modèles de langage (LLM) sur les informations de santé publique du Royaume-Uni, révélant que bien que les modèles propriétaires les plus récents surpassent les humains en questions à choix multiples, leurs performances en réponses libres nécessitent encore des garde-fous supplémentaires.
Cet article présente les fondements théoriques et l'architecture d'un agent unique du cadre EG-MRSI, qui intègre la métacognition introspective, une motivation intrinsèque basée sur les émotions et une auto-amélioration récursive pour permettre une modification formellement sécurisée de ses propres algorithmes d'apprentissage.
Cet article propose un cadre novateur d'apprentissage de représentations non supervisé basé sur la minimisation du risque invariant, introduisant les méthodes PICA et VIAE pour extraire des facteurs latents invariants sans accès aux étiquettes.
TSPulse est une famille de modèles pré-entraînés ultra-légers dotés de représentations désenchevêtrées (temporelles, spectrales et sémantiques) qui surpassent des modèles bien plus volumineux sur diverses tâches de diagnostic de séries temporelles tout en permettant un déploiement sans GPU.
Cet article propose une borne inférieure informationnelle plus serrée et un algorithme modifié de type Track-and-Stop qui, en exploitant la connaissance préalable du nombre de bras optimaux, garantissent une identification asymptotiquement optimale dans le cadre de l'identification de bras sous confiance fixe.
Cet article propose une méthode simple et rapide appelée « Feature Mixing » pour la synthèse d'anomalies multimodales, accompagnée d'un nouveau jeu de données nommé CARLA-OOD, afin d'améliorer la détection et la segmentation des données hors distribution avec des performances de pointe et une accélération significative.
Cet article analyse les propriétés de convergence et les dynamiques d'échappement de la descente de gradient stochastique dans des paysages unidimensionnels, en démontrant comment les caractéristiques du bruit et la géométrie du paysage influencent les échelles de temps de convergence vers les minima locaux et les probabilités d'échappement des maxima locaux.
Cet article présente le jeu de données BAH, un ensemble multimodal de vidéos annoté par des experts pour la reconnaissance automatique de l'ambivalence et de l'hésitation dans les interventions numériques de changement de comportement, comblant ainsi un vide critique pour le développement de modèles d'apprentissage machine adaptés.
Le papier présente SafeDPO, une méthode simple et théoriquement fondée pour l'alignement de sécurité des grands modèles de langage qui optimise directement les préférences sans récompense ni coût, permettant d'améliorer significativement la sécurité tout en préservant l'utilité.
Ce papier présente TADA, un cadre d'augmentation ciblée par modèles de diffusion qui améliore la généralisation des classificateurs d'images en synthétisant uniquement les exemples difficiles à apprendre, surpassant ainsi les méthodes d'augmentation massive tout en réduisant les coûts computationnels.
Cet article propose un filtre supervisé efficace basé sur le score de concordance de queue supérieure (lambda U) d'une copule de Gumbel pour la sélection de caractéristiques dans la prédiction du risque de diabète, démontrant sa capacité à identifier des prédicteurs cliniquement pertinents et à réduire la dimensionnalité des données tout en maintenant des performances compétitives par rapport aux méthodes standards sur des ensembles de données publics et cliniques.
Cet article propose la « Supervised Calibration », un cadre unificateur basé sur la minimisation de la perte qui améliore l'apprentissage en contexte des grands modèles de langage en apprenant des transformations affines optimales pour corriger les biais et réorienter les frontières de décision, surpassant ainsi les méthodes de calibration existantes sur plusieurs modèles et jeux de données.