🤖 Category

cs.LG

11016 articles

A Multi-Agent Framework for Interpreting Multivariate Physiological Time Series

Cette étude présente Vivaldi, un système multi-agents pour l'interprétation de séries temporelles physiologiques, révélant que l'orchestration d'agents améliore la justesse des explications pour les modèles non-déductifs mais dégrade leur pertinence pour les modèles de réflexion, soulignant ainsi que la valeur de l'IA agentique en milieu critique réside dans l'externalisation sélective du calcul plutôt que dans la complexité maximale du raisonnement.

Davide Gabrielli, Paola Velardi, Stefano Faralli + 1 more2026-03-05🤖 cs.LG

Learning Hip Exoskeleton Control Policy via Predictive Neuromusculoskeletal Simulation

Cette étude présente un cadre d'apprentissage basé sur la simulation neuromusculosquelettique qui permet de développer et de déployer une politique de contrôle pour un exosquelette de hanche sans données de capture de mouvement, démontrant ainsi une réduction de l'activation musculaire en simulation et une transfert efficace vers le matériel réel sans réglage supplémentaire.

Ilseung Park, Changseob Song, Inseung Kang2026-03-05🤖 cs.LG

Architectural Proprioception in State Space Models: Thermodynamic Training Induces Anticipatory Halt Detection

Cette étude démontre que l'entraînement thermodynamique induit chez les modèles d'espace d'état (SSM) une « proprioception architecturale » permettant une détection anticipée de l'arrêt via un couplage entre l'entropie de l'état et la confiance, un phénomène absent chez les Transformers qui révèle une forme de méta-cognition computationnelle native.

Jay Noon2026-03-05🤖 cs.AI

Beyond Mixtures and Products for Ensemble Aggregation: A Likelihood Perspective on Generalized Means

Cet article propose une justification théorique fondée sur la vraisemblance pour l'agrégation d'ensembles via les moyennes généralisées, démontrant que seules les configurations d'ordre r∈[0,1]r \in [0,1] garantissent systématiquement une amélioration par rapport aux distributions individuelles, ce qui valide ainsi les pratiques courantes de pooling linéaire et géométrique.

Raphaël Razafindralambo, Rémy Sun, Frédéric Precioso + 2 more2026-03-05🤖 cs.LG

Beyond Edge Deletion: A Comprehensive Approach to Counterfactual Explanation in Graph Neural Networks

Cet article présente XPlore, une méthode innovante de génération d'explications contrefactuelles pour les réseaux de neurones graphiques qui, contrairement aux approches antérieures limitées à la suppression d'arêtes, optimise conjointement l'ajout d'arêtes et la perturbation des caractéristiques des nœuds via un cadre basé sur le gradient, permettant ainsi d'obtenir des explications plus valides et fidèles avec une amélioration significative par rapport aux méthodes de l'état de l'art.

Matteo De Sanctis, Riccardo De Sanctis, Stefano Faralli + 2 more2026-03-05🤖 cs.LG

Semi-Supervised Generative Learning via Latent Space Distribution Matching

Cet article présente le cadre LSDM, une méthode d'apprentissage génératif semi-supervisé qui améliore la qualité et la fidélité géométrique des images générées en apprenant un espace latent à partir de données appariées et non appariées avant d'y effectuer un appariement de distributions, tout en offrant une perspective théorique unifiée reliant cette approche aux modèles de diffusion latents.

Kwong Yu Chong, Long Feng2026-03-05🤖 cs.LG

Agentics 2.0: Logical Transduction Algebra for Agentic Data Workflows

Le papier présente Agentics 2.0, un framework Python natif léger qui formalise les inférences de modèles de langage comme des transformations sémantiques typées via une algèbre de transduction logique, permettant ainsi de construire des flux de travail agentic fiables, observables et évolutifs pour des tâches complexes telles que la découverte de données et le parsing NL-to-SQL.

Alfio Massimiliano Gliozzo, Junkyu Lee, Nahuel Defosse2026-03-05🤖 cs.AI

Online Learning for Multi-Layer Hierarchical Inference under Partial and Policy-Dependent Feedback

Cet article propose un algorithme d'apprentissage en ligne à variance réduite, combinant une méthode EXP4 et une optimisation de Lyapunov, pour optimiser les politiques de routage dans les systèmes d'inférence hiérarchique multicouches face à des retours partiels et dépendants de la politique, tout en garantissant la stabilité et des performances proches de l'optimum sous contraintes de ressources.

Haoran Zhang, Seohyeon Cha, Hasan Burhan Beytur + 3 more2026-03-05🤖 cs.AI

Memex(RL): Scaling Long-Horizon LLM Agents via Indexed Experience Memory

Ce papier présente Memex, un mécanisme de mémoire indexée optimisé par apprentissage par renforcement (MemexRL) qui permet aux agents LLM d'exécuter des tâches à long horizon en conservant des preuves complètes dans une base externe tout en maintenant un contexte de travail compact, surmontant ainsi les limites des fenêtres de contexte traditionnelles sans perte d'information.

Zhenting Wang, Huancheng Chen, Jiayun Wang + 1 more2026-03-05🤖 cs.LG

IPD: Boosting Sequential Policy with Imaginary Planning Distillation in Offline Reinforcement Learning

Ce papier propose IPD, un cadre novateur qui améliore les politiques séquentielles en apprentissage par renforcement hors ligne en intégrant une planification imaginaire via un modèle du monde et une fonction de valeur quasi-optimale pour enrichir les données d'entraînement et guider l'inférence, surpassant ainsi les méthodes de l'état de l'art sur le benchmark D4RL.

Yihao Qin, Yuanfei Wang, Hang Zhou + 3 more2026-03-05🤖 cs.AI

LabelBuddy: An Open Source Music and Audio Language Annotation Tagging Tool Using AI Assistance

Ce papier présente LabelBuddy, un outil open-source collaboratif d'annotation audio assistée par l'IA qui comble le fossé entre l'intention humaine et la compréhension machine en permettant l'intégration de modèles personnalisés via des backends conteneurisés pour surmonter les limites des outils d'étiquetage statiques.

Ioannis Prokopiou, Ioannis Sina, Agisilaos Kounelis + 2 more2026-03-05🤖 cs.AI

Activation Outliers in Transformer Quantization: Reproduction, Statistical Analysis, and Deployment Tradeoffs

Cette étude démontre que la dégradation des performances lors de la quantification post-entraînement des transformateurs est principalement causée par des valeurs aberrantes d'activation structurées, et montre que des stratégies de précision mixte ou de regroupement par canal sont nécessaires pour restaurer la précision sans impact significatif sur les performances matérielles.

Pranav Kumar Kaliaperumal2026-03-05🤖 cs.AI