9119 articles
Cette étude démontre que l'intégration d'images synthétiques générées par DreamBooth et Stable Diffusion améliore la précision et la généralisation des modèles d'attribution d'auteur de tableaux, en surmontant le défi du manque de données réelles.
Cet article propose une approche d'apprentissage par renforcement contraint (CDRL) pour optimiser la livraison de paquets d'applications sensibles à la latence, garantissant le respect des délais stricts tout en minimisant les coûts d'allocation des ressources dans les réseaux de nouvelle génération.
Cette étude évalue la capacité de transfert hors distribution de modèles de base pour les équations aux dérivées partielles (POSEIDON et MORPH), préentraînés sur des benchmarks fluides, vers la dynamique des matériaux sous chargements extrêmes, en comparant leur efficacité échantillonnaire lors du réglage fin par rapport à un entraînement à partir de zéro sur des régimes dominés par des discontinuités.
Cet article propose un cadre novateur fondé sur le transport optimal pour contourner les mécanismes de sécurité des grands modèles de langage en transformant la distribution complète des activations nuisibles, surpassant ainsi les méthodes d'attaque existantes tout en révélant que les mécanismes de refus sont localisés dans des couches spécifiques du réseau.
Le papier présente RoboCasa365, un cadre de simulation à grande échelle et reproductible conçu pour entraîner et évaluer des robots généralistes dans des environnements domestiques, en offrant 365 tâches variées à travers 2 500 cuisines et des milliers d'heures de données de démonstration pour analyser les facteurs clés de la généralisation.
Cet article propose une nouvelle perspective sur l'erreur de quantification basée sur la concentration et l'alignement, menant à la création de transformations légères (CAT) qui améliorent significativement la précision des modèles de langage à 4 bits en optimisant conjointement ces deux facteurs.
Cet article présente le MA-UKF, un cadre innovant qui améliore la robustesse du filtre de Kalman non scindé en utilisant l'apprentissage méta récurrent pour optimiser dynamiquement les poids des points sigma afin de s'adapter aux dynamiques variables et au bruit non gaussien.
Cet article propose le DMAST, un cadre d'entraînement de sécurité adversaire en deux modalités et trois étapes qui, en formalisant l'interaction agent-attaquant comme un jeu à somme nulle, renforce considérablement la robustesse et l'efficacité des agents web multimodaux face aux attaques croisées exploitant à la fois les captures d'écran et les arbres d'accessibilité.
Cet article présente une méthode à faible coût computationnel pour le contrôle de modèles de diffusion audio latents, utilisant des têtes de contrôle latentes (LatCHs) et une sélection de TFG afin d'obtenir des sorties audio générées avec une précision accrue sur l'intensité, la hauteur et le rythme sans nécessiter de réentraînement massif du modèle.
Cet article propose la régularisation de Jacobien alignée aux attaques (AAJR), une méthode qui améliore la robustesse des systèmes d'IA agentic en contrôlant la sensibilité uniquement le long des directions d'ascension adversaires, évitant ainsi les restrictions conservatrices des bornes globales tout en garantissant la stabilité de l'optimisation minimax.
En analysant deux millions de vidéos sur une décennie, cette étude révèle que la pratique du marketing d'affiliation sur YouTube est omniprésente mais que le respect des règles de divulgation de la FTC reste faible, soulignant le rôle crucial des fonctionnalités standardisées de la plateforme pour améliorer la conformité.
Le papier présente ZipMap, un modèle feed-forward étatique qui réalise une reconstruction 3D bidirectionnelle en temps linéaire grâce à un entraînement au moment du test, surpassant ainsi l'efficacité des méthodes quadratiques actuelles tout en préservant, voire en améliorant, la qualité de reconstruction.
Le papier présente SELDON, un nouveau modèle d'autoencodeur variationnel continu intégrant des réseaux de neurones basés sur des équations différentielles ordinaires (ODE) pour modéliser de manière interprétable les courbes de lumière astrophysiques éparses et irrégulières, permettant ainsi une inférence rapide et une priorisation efficace des observations de supernovae face au flux massif de données attendu du télescope Vera C. Rubin.
Cet article présente HLOBA, une méthode d'assimilation de données hybride-ensemble opérant dans un espace latent appris par autoencodeur, qui combine efficacement précision, rapidité et quantification des incertitudes pour la prévision météorologique.
Le papier présente SimpliHuMoN, un modèle transformer simple et efficace capable de prédire simultanément les trajectoires et les poses humaines avec des performances de pointe sur plusieurs benchmarks, sans nécessiter de modifications spécifiques à chaque tâche.
Cet article propose une nouvelle mesure topologique, le « TO-score » basé sur les barcodes de la fonction de perte, pour quantifier l'échappabilité des minima locaux et démontrer que les obstructions topologiques diminuent avec la complexité du réseau tout en étant corrélées à l'erreur de généralisation.
Cet article propose les « Thought Flow Nets », une méthode inspirée de la dialectique hégélienne permettant aux modèles d'affiner leurs réponses par des itérations d'auto-correction, ce qui améliore non seulement leurs performances mais aussi la perception et les résultats des utilisateurs humains.
Cette étude propose un modèle de CRNN pour l'identification de la langue à partir de la parole, démontrant une précision supérieure à 98 % sur treize langues indiennes et une forte robustesse au bruit, tout en questionnant la nécessité systématique des mécanismes d'attention par rapport aux architectures existantes.
Cet article propose DRL-GS, un nouvel algorithme d'apprentissage par renforcement profond intégrant un vérificateur, un réseau de neurones à graphes et un agent d'exploration, pour optimiser efficacement les topologies réseau en surmontant les limitations des méthodes heuristiques traditionnelles.
Cet article établit que la pondération par l'importance permet de corriger efficacement le décalage de cible dans la régression des moindres carrés régularisée en conservant les taux de convergence optimaux, tout en démontrant que toute erreur d'estimation des poids induit un biais irréductible.