9153 articles
Cette étude propose un cadre novateur d'extraction de modèle en peu d'exemples contre les systèmes de recommandation séquentiels, combinant une stratégie d'augmentation générative autorégressive et un processus de distillation assisté par une perte de réparation bidirectionnelle pour construire des modèles substituts performants à partir de données limitées.
Cet article présente le cadre des Bandits Combinatoires Croissants (CRB) pour modéliser les récompenses croissantes interdépendantes, ainsi que l'algorithme CRUCB qui offre des garanties théoriques de regret serré et des performances empiriques solides dans divers environnements réalistes.
Le papier présente RealOSR, un cadre de super-résolution d'images omnidirectionnelles basé sur la diffusion qui utilise un module de guidage latent appelé LaGAR pour surmonter les limitations des dégradations réelles et offrir une accélération d'inférence de plus de 200 fois par rapport aux méthodes existantes.
Cet article propose une approche semi-supervisée pour l'inférence bayésienne amortie qui, en exploitant des pertes de cohérence bayésienne sur des données non étiquetées, améliore considérablement la robustesse des estimateurs de postérieur face à des observations hors du domaine de simulation.
Cette étude démontre que l'utilisation de modèles d'apprentissage automatique interprétables sur des biomarqueurs linguistiques permet un dépistage automatisé et une stratification des risques de troubles neurocognitifs, offrant ainsi une solution évolutive et non invasive pour le suivi de la santé cognitive à domicile.
Cette étude révèle que les classifieurs opérant dans l'espace des poids des Représentations Neuronales Implicites (INR) présentent une robustesse accrue aux attaques adverses standard grâce à l'obfuscation des gradients, tout en mettant en lumière les limites de cette sécurité face à des attaques spécifiques développées pour contourner ce phénomène.
Ce papier présente \texttt{SEM-CTRL}, une approche unifiée qui garantit la validité syntaxique et sémantique des sorties de tout grand modèle de langage sans fine-tuning en intégrant une recherche arborescente Monte Carlo guidée par des contraintes exprimées via des grammaires de réponses logiques.
Cet article propose le cadre général \texttt{IMPRINT} pour l'apprentissage par transfert sans optimisation de paramètres, qui, en s'inspirant du phénomène d'effondrement neuronal pour regrouper les données via des proxys, améliore les performances de 4 % par rapport aux méthodes existantes.
Ce papier présente « Landscape of Thoughts », un outil de visualisation qui projette les trajectoires de raisonnement des grands modèles de langage en deux dimensions pour analyser leurs performances, identifier des schémas indésirables et entraîner un vérificateur léger améliorant la précision du raisonnement.
Ce papier présente Param, une méthode novatrice permettant de transférer les capacités d'un modèle post-entraîné vers une nouvelle version de base sans aucun coût de calcul supplémentaire, en exploitant simplement la différence de poids entre les modèles.
Cet article propose le cadre ASL, qui utilise l'algorithme AMPO pour permettre aux agents linguistiques d'adapter dynamiquement la profondeur de leur raisonnement dans les interactions sociales, améliorant ainsi les performances de la tâche tout en réduisant significativement l'utilisation des jetons par rapport aux méthodes existantes.
Le papier présente LiteLMGuard, un mécanisme de filtrage léger et agnostique au modèle conçu pour protéger les petits modèles de langage quantifiés déployés sur les appareils mobiles contre les risques de sécurité et les attaques par injection de prompts, en assurant une défense en temps réel avec une faible latence et une haute précision.
Cet article propose des bornes déterministes et un estimateur aléatoire non biaisé, basé sur la méthode de Hutchinson, pour le calcul efficace et évolutif du tenseur métrique défini par l'information de Fisher sur les variétés neuronales.
Le papier présente PC Agent-E, un cadre d'entraînement efficace qui, en combinant un nombre limité de démonstrations humaines avec une synthèse de données par l'IA, permet d'obtenir des agents informatiques surpassant à la fois les modèles entraînés uniquement sur des données humaines et le modèle Claude 3.7 Sonnet lui-même.
Cet article propose de nouvelles méthodes de classification sélective fondées sur le lemme de Neyman-Pearson et les rapports de vraisemblance pour améliorer la fiabilité des modèles, en particulier dans des scénarios réalistes de dérive de covariables où les distributions d'entraînement et de test diffèrent.
Cet article propose une nouvelle méthode de pipeline hybride pour la sélection automatique d'états et l'optimisation structurelle des équations différentielles neuronales hybrides, combinant modifications de graphes guidées par le domaine et régularisation pilotée par les données afin de réduire la complexité du modèle et d'améliorer ses performances prédictives et sa stabilité dans les applications de santé.
Le papier propose NatADiff, une méthode exploitant le guidage par frontière adversaire et la diffusion débruiteuse pour générer des échantillons adversariaux naturels qui, en ciblant l'intersection des classes, améliorent significativement la transférabilité des attaques tout en reproduisant fidèlement les erreurs de test réelles.
Cet article propose un cadre novateur d'optimisation des augmentations de données via la sélection de modèles bayésienne, qui traite les paramètres d'augmentation comme des hyperparamètres à optimiser conjointement avec les paramètres du modèle en maximisant une borne inférieure variationnelle (ELBO) de la vraisemblance marginale, améliorant ainsi la robustesse et la calibration des modèles d'apprentissage automatique.
Le papier présente WARP, un modèle innovant qui unifie l'apprentissage dans l'espace des poids et la récurrence linéaire pour permettre une adaptation sans gradient et un apprentissage contextuel, surpassant ainsi les méthodes de pointe sur diverses tâches de séquences et de systèmes dynamiques.
Cet article présente les réseaux de Hopfield à variétés dynamiques (DMHN), un modèle qui permet une réorganisation contextuelle de la géométrie des attracteurs pour améliorer considérablement la capacité et la robustesse de la mémoire associative par rapport aux réseaux classiques.