2325 articles
Les auteurs proposent un cadre unifié d'apprentissage par transfert pour le clustering, nommé ATC, qui exploite automatiquement les similarités entre un ensemble de données principal et un ensemble auxiliaire malgré des structures latentes différentes, tout en garantissant l'optimalité théorique et une efficacité empirique validée sur divers modèles statistiques.
Cet article propose un algorithme d'alternance proximale appris (LPAM) et son réseau neuronal associé (LPAM-net) pour résoudre des problèmes d'optimisation non convexes et non lisses à deux blocs, en garantissant la convergence vers des points stationnaires de Clarke tout en démontrant une efficacité supérieure pour la reconstruction d'IRM multi-modale.
Cette étude propose un système neurosymbolique capable de reconstruire des images médicales à partir de primitives visuelles pour générer des explications structurelles, surpassant les architectures d'apprentissage profond classiques en précision de classification et en transparence pour le diagnostic des anomalies histologiques.
Ce papier présente Puppet-CNN, un cadre qui modélise les paramètres des réseaux de neurones convolutifs comme un système dynamique continu régi par une équation différentielle ordinaire, permettant ainsi une adaptation de la profondeur du réseau à la complexité de l'entrée tout en réduisant considérablement le nombre de paramètres entraînables.
Ce papier propose un cadre de diffusion adaptatif qui ajuste dynamiquement la trajectoire de génération en fonction de la complexité de chaque échantillon, permettant ainsi de réduire le nombre d'étapes d'échantillonnage tout en maintenant la qualité des images générées.
Cette étude propose une stratégie d'optimisation des tâches locomotrices basée sur l'analyse de clusters pour identifier un ensemble minimal de tâches permettant d'estimer avec précision les moments articulaires de la hanche à l'aide de réseaux de neurones, réduisant ainsi considérablement le besoin en données de collecte tout en maintenant des performances comparables à celles obtenues avec un ensemble complet de tâches.
Cet article propose une approche paramétrique légère pour la régression non paramétrique qui atteint des taux de convergence minimax optimaux et des bornes d'erreur finies précises tout en réduisant considérablement la complexité spatiale par rapport aux méthodes à base de noyaux traditionnelles.
Cet article explore l'application des modèles de diffusion génératifs (GDM) aux communications MIMO massives, en présentant un aperçu théorique, une étude de cas sur l'estimation de canal en champ proche et en identifiant les défis et perspectives futurs pour l'acquisition efficace des informations d'état du canal.
Cette étude examine l'impact des priors d'embedding sur le prompt-tuning, révélant que les modèles peuvent fonctionner efficacement dans de nouvelles régions de l'espace d'activation et que la structure de ces espaces varie selon la proximité des tâches, offrant ainsi de nouvelles perspectives pour l'interprétabilité et le contrôle des modèles.
Cet article propose une méthode permettant d'apprendre des modèles du monde symboliques abstraits à partir de démonstrations visuelles et de modèles vision-langage préentraînés, afin de résoudre par planification des tâches de prise de décision à long horizon dans des environnements robotiques complexes avec une généralisation zéro-shot.
L'article présente UFGraphFR, un système de recommandation fédéré innovant qui améliore la précision des suggestions tout en préservant la vie privée en reconstruisant de manière sécurisée des graphes de relations utilisateurs basés sur des similarités sémantiques extraites de descriptions textuelles et en personnalisant les séquences de comportement via des architectures Transformer.
Cet article propose des stratégies de réduction de données basées sur le clustering latent pour optimiser l'entraînement adversaire semi-supervisé, permettant de réduire considérablement les besoins en données non étiquetées et le temps de calcul tout en préservant une robustesse élevée.
Cet article établit des bornes d'erreur pour le risque excédentaire dans les problèmes de classification avec des étiquettes bruitées en utilisant des réseaux de neurones profonds, en décomposant l'erreur en composantes statistiques et d'approximation tout en tenant compte des dépendances temporelles et de la structure des données sur des variétés de basse dimension.
Ce papier présente la commande prédictive générative (GPC), un cadre d'apprentissage qui combine un clone de politique générative, un modèle du monde prédictif et un planificateur en ligne pour surpasser le clonage comportemental dans diverses tâches de manipulation robotique, tant en simulation que dans le monde réel.
Cet article analyse théoriquement et expérimentalement la convergence de l'erreur d'approximation vers zéro pour les schémas de calcul codé général BACC et LeTCC dans un régime de stragglers probabilistes, démontrant que l'indépendance des défaillances permet une convergence même lorsque le nombre moyen de stragglers évolue avec la taille du système.
Cette étude présente GRADIEND, une méthode novatrice d'encodage-décodage utilisant les gradients des réseaux de neurones pour identifier et modifier spécifiquement les biais sociétaux (tels que le genre, la race ou la religion) tout en préservant les autres capacités des modèles.
Cette étude analyse la sécurité et la qualité du code généré par des modèles de langage (LLM) sur plusieurs langages, révélant que leur efficacité varie considérablement et qu'ils ont souvent tendance à utiliser des méthodes obsolètes plutôt que les fonctionnalités de sécurité modernes.
Cet article propose une nouvelle approche de recherche locale efficace pour découvrir des communautés polarisées dans des réseaux signés, en résolvant le problème du déséquilibre de taille des communautés et en permettant l'existence de nœuds neutres, tout en garantissant une convergence linéaire et des performances supérieures aux méthodes existantes.
Le papier présente CLEF, un modèle d'édition de séquences contrôlable qui encode les concepts temporels pour modifier de manière ciblée le moment et la portée des conditions dans des trajectoires biologiques et cliniques, surpassant ainsi les méthodes existantes en précision pour la génération de scénarios contrefactuels réalistes.
Cette étude démontre que l'utilisation de l'adaptation à faible rang (LoRA) dans l'apprentissage fédéré pour les grands modèles de langage réduit considérablement la mémorisation des données d'entraînement, limitant ainsi les risques de fuite d'informations privées sans compromettre les performances du modèle.