9092 articles
Cet article propose une nouvelle notion quantitative de confidentialité, fondée sur la théorie de décision bayésienne et conçue pour être plus contextuelle et rigoureuse que la confidentialité différentielle ou la théorie du divulgation statistique, en exigeant que les décisions de divulgation soient prises du point de vue de la distribution a priori.
Cet article propose une justification théorique fondée sur la vraisemblance pour l'agrégation d'ensembles via les moyennes généralisées, démontrant que seules les configurations d'ordre garantissent systématiquement une amélioration par rapport aux distributions individuelles, ce qui valide ainsi les pratiques courantes de pooling linéaire et géométrique.
Cet article présente XPlore, une méthode innovante de génération d'explications contrefactuelles pour les réseaux de neurones graphiques qui, contrairement aux approches antérieures limitées à la suppression d'arêtes, optimise conjointement l'ajout d'arêtes et la perturbation des caractéristiques des nœuds via un cadre basé sur le gradient, permettant ainsi d'obtenir des explications plus valides et fidèles avec une amélioration significative par rapport aux méthodes de l'état de l'art.
Cet article présente le cadre LSDM, une méthode d'apprentissage génératif semi-supervisé qui améliore la qualité et la fidélité géométrique des images générées en apprenant un espace latent à partir de données appariées et non appariées avant d'y effectuer un appariement de distributions, tout en offrant une perspective théorique unifiée reliant cette approche aux modèles de diffusion latents.
Cet article propose une méthode d'estimation de densité par plus proches voisins intégrée à un autoencodeur variationnel pour supprimer les dépendances indésirables dans les données, surpassant les techniques existantes en équilibrant efficacement l'effacement d'informations sensibles et la préservation de l'utilité des données.
Le papier présente Agentics 2.0, un framework Python natif léger qui formalise les inférences de modèles de langage comme des transformations sémantiques typées via une algèbre de transduction logique, permettant ainsi de construire des flux de travail agentic fiables, observables et évolutifs pour des tâches complexes telles que la découverte de données et le parsing NL-to-SQL.
Cet article propose un algorithme d'apprentissage en ligne à variance réduite, combinant une méthode EXP4 et une optimisation de Lyapunov, pour optimiser les politiques de routage dans les systèmes d'inférence hiérarchique multicouches face à des retours partiels et dépendants de la politique, tout en garantissant la stabilité et des performances proches de l'optimum sous contraintes de ressources.
Ce papier présente Memex, un mécanisme de mémoire indexée optimisé par apprentissage par renforcement (MemexRL) qui permet aux agents LLM d'exécuter des tâches à long horizon en conservant des preuves complètes dans une base externe tout en maintenant un contexte de travail compact, surmontant ainsi les limites des fenêtres de contexte traditionnelles sans perte d'information.
Cet article propose un pipeline pour extraire des hypothèses causales plausibles encodées dans les grands modèles de langage en générant des documents, en y identifiant des événements normalisés et en appliquant des méthodes de découverte causale pour construire des graphes candidats inspectables.
Ce papier propose IPD, un cadre novateur qui améliore les politiques séquentielles en apprentissage par renforcement hors ligne en intégrant une planification imaginaire via un modèle du monde et une fonction de valeur quasi-optimale pour enrichir les données d'entraînement et guider l'inférence, surpassant ainsi les méthodes de l'état de l'art sur le benchmark D4RL.
Ce papier présente LabelBuddy, un outil open-source collaboratif d'annotation audio assistée par l'IA qui comble le fossé entre l'intention humaine et la compréhension machine en permettant l'intégration de modèles personnalisés via des backends conteneurisés pour surmonter les limites des outils d'étiquetage statiques.
Ce papier présente LUMINA, un cadre fondé sur des principes de conception empiriques pour développer des modèles de base capables de transférer l'apprentissage vers des problèmes d'optimisation de flux de puissance alternatif (ACOPF) tout en garantissant le respect strict des lois physiques et des contraintes de sécurité.
Cette étude démontre que la dégradation des performances lors de la quantification post-entraînement des transformateurs est principalement causée par des valeurs aberrantes d'activation structurées, et montre que des stratégies de précision mixte ou de regroupement par canal sont nécessaires pour restaurer la précision sans impact significatif sur les performances matérielles.
Cette étude présente CRESTomics, un nouveau modèle additif à noyau intégrant une perte de cohérence et une régularisation parcimonieuse de groupe, qui analyse 500 plaques carotidiennes de l'essai CREST-2 pour identifier de manière précise et interprétable des marqueurs radiomiques liés au risque clinique élevé.
Cette étude démontre que la récupération linéaire de structures spatiales et temporelles dans les représentations internes des modèles de langage ne prouve pas l'existence de modèles du monde internes, car une grande partie de cette structure est déjà latente dans les statistiques de co-occurrence des mots des embeddings statiques.
Le papier présente PTOPOFL, un cadre d'apprentissage fédéré personnalisé qui remplace l'échange de gradients par des descripteurs topologiques issus de l'homologie persistante pour garantir une confidentialité accrue et améliorer la convergence dans des environnements de données non indépendants et non identiquement distribués (non-IID).
Cette étude présente un cadre évolutif démontrant que les modèles d'IA générative surpassent largement les méthodes d'augmentation traditionnelles pour créer des images réalistes de conditions environnementales défavorables, validant ainsi leur utilité pour l'évaluation des systèmes d'IA.
Cette étude démontre que les métriques de classification statiques surestiment l'efficacité réelle des systèmes d'application de la loi contre le blanchiment d'argent dans les crypto-monnaies, car la non-stationnarité temporelle des marchés entraîne une instabilité des seuils de décision et des pertes réglementaires excessives dues à une mauvaise calibration plutôt qu'à une baisse de la précision prédictive.
Cet article démontre que l'apprentissage par flux améliore l'apprentissage TD grâce à une récupération robuste des erreurs lors de l'inférence et à un apprentissage de caractéristiques plus plastique, surpassant ainsi significativement les critiques monolithiques en termes de performance et d'efficacité échantillonnaire.
Cette étude compare trois architectures génératives pour la création d'IRM cardiaques synthétiques et démontre que les modèles de diffusion, en particulier les DDPM, offrent le meilleur équilibre entre fidélité, utilité pour la segmentation et protection de la vie privée dans des conditions de données limitées.