9290 articles
Cet article propose VGG-Flow, une méthode de finetuning basée sur l'appariement de gradients qui utilise la théorie du contrôle optimal pour aligner efficacement les modèles de Flow Matching avec les préférences humaines tout en préservant leur distribution prior, comme démontré sur Stable Diffusion 3.
Cet article propose un cadre de débat fin et conscient de la confiance (CFD) utilisant des modèles de langage open-source pour enrichir automatiquement les données d'indicateurs de santé mentale et de sécurité en ligne, démontrant ainsi une amélioration significative des performances des tâches en aval par rapport aux approches de base.
Le papier présente CORE, un cadre d'apprentissage par renforcement qui comble le fossé entre la définition et l'application en mathématiques en utilisant des concepts explicites comme signal de supervision pour améliorer le raisonnement conceptuel des modèles de langage.
Ce papier présente CHAMMI-75, un jeu de données ouvert de 75 études biologiques hétérogènes en microscopie multicanal, conçu pour entraîner des modèles adaptatifs capables de quantifier la morphologie cellulaire sur n'importe quel type d'image microscopique.
Cet article présente les Collar Recognition Nets (CRNs), une famille de réseaux de neurones convolutifs 1D légers et optimisés qui permettent une reconnaissance autonome et en temps réel des colliers de tubage dans des environnements souterrains contraints, en atteignant une grande précision avec une latence minimale sur des systèmes embarqués.
Cet article présente TPI-AI, un cadre hybride combinant des représentations temporelles apprises par un Bi-LSTM et des indices d'interaction inspirés de la physique pour prédire avec précision les intentions de changement de voie dans divers scénarios autoroutiers, surpassant les méthodes de référence sur les ensembles de données highD et exiD.
Cet article propose un cadre de contrôle stochastique pour l'optimisation globale dans les espaces euclidiens et de Wasserstein, établissant la convergence vers le minimum global via des équations de Hamilton-Jacobi-Bellman et des systèmes de particules, et introduisant des schémas numériques Monte Carlo dérivés de la formule de Bismut-Elworthy-Li.
Cet article propose une méthode de quantification à faible précision pour les réseaux de neurones graphiques équivariants SO(3), permettant de déployer efficacement des modèles de prédiction de propriétés moléculaires sur des appareils embarqués avec une accélération d'inference de 2,37 à 2,73 fois et une réduction de taille de 4 fois, tout en préservant la précision et la symétrie physique.
Ce papier présente DiSOL, une approche d'apprentissage automatique qui remplace les opérateurs continus par des procédures de résolution discrètes pour prédire avec précision et stabilité les solutions d'équations aux dérivées partielles sur des géométries complexes et variables, y compris lors de changements topologiques.
Ce papier présente GraSP, une méthode simple et universelle pour la reconnaissance de graphes visuels via la prédiction de sous-graphes, capable de s'adapter à divers contextes sans modifications spécifiques à la tâche.
Cet article propose un nouvel indice de flexibilité conditionnelle (CFI) qui améliore la prise de décision de planification en apprenant des ensembles d'incertitude admissibles à partir de données historiques et en intégrant des informations contextuelles via des flux normalisants, permettant ainsi d'optimiser la qualité des horaires dans des applications comme l'engagement d'unités de production sous contraintes de sécurité.
Cet article propose une méthode appelée « Distributional Sobolev Training » qui étend l'apprentissage de la valeur distributionnelle aux espaces d'état-action continus en modélisant simultanément les distributions des valeurs et de leurs gradients via un modèle du monde conditionnel, afin de surmonter les limitations des approches existantes dans les environnements stochastiques tout en garantissant théoriquement la convergence de l'opérateur de Bellman augmenté.
Ce rapport technique présente la distillation consciente de la quantification (QAD) comme une méthode robuste et efficace pour récupérer la précision des modèles de langage et vision-langage quantifiés en NVFP4, en particulier pour ceux ayant subi des pipelines d'entraînement post-traitement complexes où les méthodes traditionnelles échouent.
Ce papier propose un cadre d'analyse multimodale et multi-agent basé sur AutoGen pour la classification des ransomwares, qui fusionne des données statiques, dynamiques et réseau via des agents spécialisés et un mécanisme de rétroaction itératif, démontrant des performances supérieures aux méthodes traditionnelles tout en assurant une fiabilité accrue pour le déploiement réel.
Cet article présente un cadre novateur pour l'apprentissage de moniteurs d'exécution contextuels qui sélectionnent dynamiquement le contrôleur le plus adapté au sein d'ensembles de contrôle IA, garantissant ainsi la sécurité et améliorant les performances dans des environnements dynamiques grâce à des techniques de bandits contextuels.
En analysant 52 modèles préentraînés, cette étude démontre que la dimension effective, une métrique géométrique non supervisée, prédit fortement la performance des réseaux de neurones en fournissant des informations prédictives et causales indépendantes des étiquettes.
SwiftRepertoire est un cadre d'apprentissage peu échantillonné qui synthétise des modules d'adaptation compacts à partir d'un dictionnaire de prototypes pour permettre l'adaptation immédiate et interprétable des modèles de répertoires de récepteurs T à de nouvelles tâches cliniques avec très peu de données étiquetées.
L'article révèle que la présence d'erreurs passées dans le contexte des grands modèles de langage crée un « drag contextuel » qui biaise leurs raisonnements futurs vers des erreurs structurellement similaires, provoquant une dégradation des performances que ni la vérification ni les stratégies d'atténuation actuelles ne parviennent entièrement à corriger.
Cet article propose une nouvelle approche pour l'apprentissage sous confidentialité différentielle locale qui traite le problème comme un transfert d'apprentissage et améliore la précision de classification grâce à des mécanismes de rétroaction bruitée, de renversement de modèle et de moyennage pondéré, tout en garantissant des bornes théoriques de risque excédentaire.
Cet article examine comment l'utilisation de requêtes factuelles, contrefactuelles et contrefactuelles robustes permet d'extraire les paramètres de modèles linéaires, démontrant que le nombre de requêtes nécessaires dépend fortement du type de distance utilisé et de la robustesse appliquée.