2325 articles
Cet article établit théoriquement que le modèle génératif par dérive équivaut au score matching sous un noyau gaussien, révélant ainsi les mécanismes de convergence, justifiant l'usage de noyaux laplaciens et d'un opérateur stop-gradient, tout en proposant des améliorations d'efficacité via un recuit de bande passante et une perspective variationnelle fondée sur les flots de gradient de Wasserstein.
Ce papier présente SignalMC-MED, un nouveau benchmark multimodal synchronisé ECG-PPG conçu pour évaluer systématiquement les modèles de fondation biosignaux sur 20 tâches cliniques, démontrant que la fusion multimodale et l'utilisation de signaux complets surpassent les approches unimodales ou segmentées.
Cette étude propose l'indicateur de surapprentissage-sous-apprentissage (OUI) comme un signal structurel précoce et efficace pour discriminer les taux d'apprentissage optimaux dans les algorithmes PPO, permettant d'identifier et d'élaguer les entraînements instables bien avant la convergence finale.
Cet article présente les « neural debuggers », des modèles de langage capables d'émuler les fonctionnalités interactives des débogueurs traditionnels pour prédire l'exécution de programmes Python, ouvrant ainsi la voie à des systèmes de codage autonomes plus performants.
Ce papier propose une nouvelle famille d'optimiseurs, dont MOGA, basée sur des normes d'opérateurs moyennées et des normalisations par lignes/colonnes, qui garantissent une stabilité de l'apprentissage indépendante de la largeur du réseau et permettent un transfert efficace des hyperparamètres, surpassant ainsi les limitations de méthodes comme Muon.
Le papier propose C2FMAE, un autoencodeur masqué à apprentissage hiérarchique de grossier à fin qui résout la tension entre l'apprentissage sémantique global et le détail local en reconstruisant séquentiellement des masques sémantiques, d'instances et d'images RGB via un curriculum d'apprentissage progressif, démontrant ainsi des performances supérieures sur diverses tâches de vision par ordinateur.
Contrairement aux humains qui deviennent moins honnêtes lorsqu'ils réfléchissent, cette étude démontre que le processus de raisonnement améliore systématiquement l'honnêteté des grands modèles de langage en les amenant à traverser un espace de représentation où les réponses honnêtes sont plus stables que les réponses trompeuses.
En introduisant le cadre contrôlé de la superposition de type « sac de mots » (BOWS), cette étude démontre que les corrélations entre caractéristiques permettent d'organiser géométriquement les interférences de manière constructive dans les réseaux de neurones, expliquant ainsi la formation de clusters sémantiques et de structures cycliques observées dans les modèles de langage réels, ce que la vision traditionnelle de la superposition basée sur des caractéristiques non corrélées ne parvenait pas à prédire.
Ce papier présente TAM-RL, un cadre d'apprentissage par représentation couplé à des contraintes physiques qui améliore significativement la précision et la transférabilité de l'extrapolation des flux de carbone terrestres à l'échelle mondiale en surmontant les limites des méthodes actuelles face à la rareté des données de terrain.
Cet article présente deux approches de détection de points de changement basées sur les réseaux de neurones et l'apprentissage en ligne, qui offrent une complexité computationnelle linéaire, surpassent les méthodes existantes sur divers jeux de données et garantissent une convergence vers des solutions optimales.
Les auteurs proposent une extension des modèles semi-paramétriques à base d'arbres de régression bayésiens additifs (BART) qui permet d'inclure des covariables partagées entre les composantes paramétrique et non paramétrique en modifiant les mouvements de génération des arbres, résolvant ainsi les problèmes d'identifiabilité et de biais tout en offrant des performances compétitives pour l'analyse de données complexes comme celles des évaluations éducatives internationales.
Cet article présente un cadre SVM en boîte blanche optimisé par des algorithmes d'essaims pour la surveillance en temps réel de l'usure des fraises à dents, en caractérisant les vibrations de broche via l'analyse de leurs réponses temporelles et statistiques.
Cet article présente un aperçu de l'apprentissage par renforcement automatisé (AutoRL), en examinant la littérature existante, les techniques récentes basées sur les grands modèles de langage, ainsi que les défis et les perspectives de recherche dans ce domaine.
Cet article propose un modèle de classification de séries temporelles incertaines en astrophysique, conçu pour être intrinsèquement explicable et intégrer l'incertitude des données en tant qu'entrée supplémentaire, atteignant ainsi des performances comparables aux méthodes de pointe tout en offrant aux experts la capacité d'inspecter et d'interpréter les prédictions.
Cette étude propose une méthode d'apprentissage par ensemble basée sur la régression par processus gaussiens pour prédire les rendements boursiers, démontrant une supériorité statistique et économique par rapport aux modèles existants tout en permettant la construction de portefeuilles optimaux tenant compte de l'incertitude des prédictions.
Cet article établit des garanties théoriques en échantillonnage fini pour une méthode d'apprentissage de représentations d'états pilotée par le coût, permettant de résoudre des problèmes de contrôle linéaire quadratique gaussien (LQG) à horizon fini sans prédire les observations ou les actions.
Cet article propose l'IW-DKF, une amélioration du filtre de Kalman profond intégrant l'échantillonnage par importance pour affiner l'estimation des états et des paramètres dans des modèles séquentiels non linéaires, démontrant ainsi que les objectifs Monte Carlo plus serrés améliorent la performance de l'inférence.
Ce papier propose MU-Mis, une méthode d'effacement de machine learning qui supprime la contribution des données à oublier en minimisant la sensibilité du modèle aux entrées, permettant ainsi un apprentissage sans accès aux données restantes tout en préservant l'utilité du modèle.
Cet article propose une revue de la littérature sur les tests adaptatifs informatisés sous l'angle de l'apprentissage automatique, en examinant comment ces techniques peuvent optimiser les modèles de mesure, la sélection des questions et le contrôle des tests pour créer des systèmes d'évaluation plus robustes, équitables et efficaces.
Cet article propose le cadre NQS-DQME, qui encode la mémoire environnementale via des dissipatons dans des états quantiques neuronaux pour simuler efficacement et avec précision la dynamique quantique ouverte non markovienne à grande échelle.