11076 articles
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.
Cet article présente , une méthode novatrice combinant le schéma JKO et l'optimisation inverse pour apprendre la dynamique des populations via un entraînement adversaire end-to-end, éliminant ainsi le besoin de contraintes architecturales restrictives tout en offrant des garanties théoriques et des performances supérieures.
Cet article propose l'Interaction Field Matching (IFM), une généralisation du champ électrostatique qui surmonte ses limitations en utilisant un champ d'interaction inspiré des interactions fortes entre quarks pour améliorer la génération et le transfert de données.
DiaBlo est une méthode de fine-tuning efficace en paramètres qui met à jour uniquement les blocs diagonaux des matrices de poids, offrant une convergence stable et des performances compétitives sans nécessiter de produits matriciels de faible rang ni de stratégies d'initialisation auxiliaires.
Ce travail présente Search Arena, un jeu de données à grande échelle et crowdsourcé de plus de 24 000 interactions multi-tours avec des modèles de langage augmentés par la recherche, qui révèle les biais des utilisateurs envers les citations et les sources, tout en démontrant que l'intégration de la recherche web améliore les performances sans les dégrader dans des contextes non dédiés.
Ce papier présente le Radon-Nikodym Estimator (RNE), une méthode modale-agnostique et plug-and-play qui unifie l'estimation de densité, le contrôle à l'inférence et l'entraînement basé sur l'énergie pour les modèles de diffusion continus et discrets en exploitant le rapport de densité entre les distributions de trajectoires.
Le papier présente Perception-R1, une méthode qui améliore les capacités de raisonnement multimodal des grands modèles de langage en introduisant une récompense de perception visuelle basée sur la cohérence avec des annotations textuelles, comblant ainsi une lacune des approches RLVR existantes.
Cette étude propose une approche hybride combinant des bandits contextuels et des modèles de langage pour personnaliser des messages de motivation physique, démontrant que cette méthode améliore l'acceptation et l'équité de la distribution des interventions tout en réduisant les coûts computationnels par rapport aux solutions purement génératives ou aléatoires.
Le papier présente StreamSplat, un cadre entièrement feed-forward capable de reconstruire instantanément des scènes 3D dynamiques à partir de flux vidéo non calibrés en temps réel grâce à trois innovations techniques clés, offrant ainsi une accélération de 1200 fois par rapport aux méthodes d'optimisation traditionnelles.
Cette étude présente un cadre novateur utilisant le modèle climatique hybride différentiable NeuralGCM pour optimiser les conditions initiales et générer des scénarios de vagues de chaleur extrêmes physiquement cohérents, dépassant en intensité les membres les plus sévères des ensembles traditionnels.
Cet article présente les SatSOM, une extension des cartes auto-organisatrices intégrant un mécanisme de saturation qui réduit progressivement l'apprentissage des neurones saturés pour améliorer la rétention des connaissances et prévenir l'oubli catastrophique dans l'apprentissage continu.
Cet article propose un cadre méthodologique novateur pour construire des indicateurs composites explicables et interprétables en utilisant des règles de décision induites par l'approche des ensembles grossiers basée sur la dominance (DRSA), permettant d'expliquer les classifications ou scores de manière transparente tout en gérant les valeurs manquantes et les indicateurs continus.
Cette étude introduit le facteur de branchement comme mesure de la concentration des probabilités pour démontrer que l'alignement des grands modèles de langage réduit drastiquement la diversité de leurs générations en les orientant vers des trajectoires à faible entropie, un mécanisme que le raisonnement en chaîne exploite pour stabiliser les sorties.
Cet article propose un nouveau planificateur de guidance par recuit qui ajuste dynamiquement l'échelle de guidance dans les modèles de diffusion pour améliorer la qualité des images et leur alignement avec le texte, sans coût supplémentaire en mémoire ni en activations.