9515 articles
L'article présente l'application de l'outil COOL-MC pour vérifier et expliquer une politique d'apprentissage par renforcement destinée à la gestion des stocks de plaquettes, démontrant ainsi la viabilité d'une prise de décision transparente et auditable dans les chaînes d'approvisionnement de santé critiques.
Ce papier propose QuADD, un cadre unifié de distillation de dataset qui optimise conjointement le nombre d'échantillons et la précision de quantification sous une contrainte de bits fixe, surpassant les méthodes existantes en efficacité informationnelle pour des tâches de classification d'images et de gestion de faisceaux 3GPP.
Cet article établit une théorie géométrique de Fisher pour la descente de gradient stochastique où le bruit de mini-lots est modélisé par une matrice intrinsèque liée à l'information de Fisher, permettant de prouver des bornes minimax optimales et des garanties de complexité d'oracle qui dépendent de la structure informationnelle du problème plutôt que de la dimension ambiante.
Cet article propose un cadre d'apprentissage non supervisé unifié pour détecter les répondants inattentifs dans les enquêtes, démontrant que la détection repose davantage sur la structure cohérente des instruments de mesure que sur la complexité des modèles, établissant ainsi un alignement entre les principes psychométriques et la détection algorithmique.
Cet article établit les premières bornes de divergence de Kullback-Leibler indépendantes de la dimension pour la méthode de Monte Carlo sous-amortie de Langevin discrétisée, en démontrant que la complexité dépend du trace de la borne supérieure de l'Hessienne plutôt que de la dimension ambiante.
Cette étude démontre que l'utilisation du Filtre de Kalman Étendu par Sous-ensemble (SEKF) permet d'adapter efficacement des modèles de réseaux de neurones pré-entraînés à de nouveaux systèmes dynamiques avec une quantité de données réduite, en ne nécessitant que 1 % des données d'origine tout en diminuant les coûts de calcul et l'erreur de généralisation.
Cet article propose un cadre de régularisation spectrale au niveau de la fonction de perte, utilisant des pertes dans les domaines de Fourier et des ondelettes pour améliorer la qualité et la cohérence multi-échelle des échantillons générés par des modèles de diffusion sans modifier leur architecture ou leur procédure d'échantillonnage.
Cet article propose une méthode de matching de score débruité modifiée qui décompose la fonction de score en un composant analytique connu capturant la géométrie du sous-variété et un composant résiduel à apprendre, permettant ainsi d'adapter efficacement les modèles de distributions sur des variétés sans nécessiter de calculs intensifs pour apprendre la structure de la variété elle-même.
Cet article propose un modèle neuronal fondé sur un message-passing expressif et des stratégies de pré-entraînement inspirées de la réductibilité computationnelle, démontrant ainsi la viabilité de modèles transferables et fondationnels pour résoudre divers problèmes d'optimisation combinatoire sur les graphes.
Cet article propose un cadre innovant de communication vidéo par tokens, nommé Video TokenCom, qui intègre des descriptions textuelles d'intention utilisateur et un codage source-canal adaptatif à protection inégale (UEP) pour optimiser la fidélité sémantique et l'efficacité du débit dans des réseaux sans fil aux ressources limitées.
Cet article présente un cadre complet pour l'équité de la classification des tons de peau, incluant un nouveau jeu de données à grande échelle (STW), des benchmarks comparatifs et un modèle d'apprentissage profond (SkinToneNet) qui atteint des performances de pointe pour l'audit de biais dans les ensembles de données publics.
Le papier présente MUSE, une plateforme open-source centrée sur les exécutions qui évalue de manière unifiée la sécurité multimodale des grands modèles de langage en intégrant la génération automatique de charges utiles, des attaques multi-tours avec basculement inter-tours de modalités, et une métrique dualiste pour révéler que l'alignement des modèles ne se généralise pas systématiquement aux entrées audio, image et vidéo.
Cet article introduit de nouvelles structures géométriques de type Finsler et information-géométrique duales sur le domaine des matrices définies positives, dérivées de la reparamétrisation en bicône de James, qui garantissent que les géodésiques correspondent à des lignes droites et généralisent des distances classiques comme celle du simplexe de Hilbert.
Cet article propose des algorithmes d'estimation de moments améliorés par l'apprentissage pour le modèle de décroissance temporelle, en exploitant un oracle de poids lourds pour surmonter les limitations théoriques de l'estimation de fréquences et de normes dans des flux de données pondérés inégalement.
Cet article établit des théorèmes de sélection démontrant que pour minimiser le regret moyen sur des tâches de prédiction structurées, un agent capable doit nécessairement implémenter un état interne prédictif structuré, même en l'absence d'optimalité, de déterminisme ou d'accès explicite à un modèle.
ParEVO est un cadre innovant qui combine un corpus d'instructions spécialisé, des modèles de langage fine-tunés et un agent évolutif pour synthétiser des algorithmes parallèles haute performance capables de gérer efficacement des données irrégulières, surpassant ainsi les modèles commerciaux existants et les bases humaines en termes de vitesse d'exécution.
Cette étude propose un cadre de régulation thermodynamique endogène pour les Machines de Boltzmann Restreintes, où la température évolue dynamiquement en fonction des statistiques d'échantillonnage afin de prévenir l'instabilité et le gel des chaînes de Gibbs lors de l'entraînement, garantissant ainsi la stabilité des paramètres et améliorant la qualité de l'échantillonnage sur des données réelles comme MNIST.
Cet article propose la méthode GAG (Geometry Aware Attention Guidance), qui établit un lien théorique entre l'extrapolation de l'espace d'attention et l'accélération d'Anderson via les réseaux de Hopfield modernes pour stabiliser et améliorer la qualité de génération des modèles de diffusion.
Cet article établit une fondation théorique pour la perte focale en analysant ses propriétés informationnelles via la notion d'entropie focale, démontrant ainsi comment elle amplifie les probabilités intermédiaires et supprime les probabilités élevées ou très faibles dans les problèmes de classification déséquilibrée.
Le papier propose CoDAR, un cadre à deux étapes qui surmonte la limitation du « token rounding » dans les modèles de diffusion continus en combinant une diffusion continue dans l'espace d'embeddings avec un décodeur auto-régressif contextuel, permettant ainsi d'atteindre une qualité de génération compétitive par rapport aux modèles discrets.