11309 articles
Les auteurs proposent FedHB, une approche bayésienne hiérarchique pour l'apprentissage fédéré qui préserve la confidentialité des données, englobe des algorithmes existants comme Fed-Avg et Fed-Prox, et garantit une convergence optimale avec une erreur de généralisation asymptotiquement nulle.
NUBO est un package Python open-source conçu pour rendre l'optimisation bayésienne transparente et accessible à tous les chercheurs grâce à une architecture modulaire, une documentation rigoureuse et des algorithmes validés pour l'optimisation de fonctions coûteuses.
Pour pallier la baisse de performance du apprentissage multi-ensembles (MIL) en cas de pénurie de données, les auteurs proposent la méthode TG-MIL qui intègre des biais inductifs topologiques afin de préserver la structure des distributions d'instances, améliorant ainsi significativement la précision et la généralisation des modèles sur des tâches comme la classification de maladies rares.
Ce papier établit des benchmarks comparatifs pour trois algorithmes variationnels quantiques adaptatifs (EVQE, VAns et le nouveau RA-VQE) ainsi que pour QAOA sur des instances QUBO, en évaluant la qualité des solutions, les temps de calcul et l'impact du réglage des hyperparamètres afin de guider la recherche future sur les dispositifs quantiques NISQ.
Cet article propose une revue systématique de la littérature et un cadre théorique unifié pour les systèmes de recommandation conscients des impressions, en classant les modèles, les jeux de données et les méthodologies d'évaluation afin d'identifier les défis et les orientations futures de ce paradigme émergent.
Cet article examine les défis de véracité posés par les hallucinations et les usages malveillants des grands modèles de langage, en proposant des solutions technologiques, réglementaires et éducatives pour garantir la fiabilité de l'information à l'ère de l'IA générative.
Cet article établit de nouvelles bornes de complexité d'échantillonnage sans entropie métrique pour l'approximation moyenne empirique (SAA) en programmation stochastique convexe, démontrant qu'elle atteint une efficacité d'échantillonnage quasi identique à celle de la descente de miroir stochastique (SMD) tout en restant applicable dans des scénarios non lipschitziens où la SMD est moins bien comprise.
Cet article propose un nouveau modèle de causalité partielle latente pour l'apprentissage multimodal, démontrant théoriquement et expérimentalement que les représentations apprises par l'apprentissage contrastif multimodal (MMCL) correspondent à des variables couplées identifiables, permettant ainsi un meilleur dénouement des représentations et une généralisation accrue.
Ce travail présente GODD, un modèle de diffusion guidé par des priors structuraux qui permet de générer des molécules 3D dans des régimes de données rares en apprenant à partir de régions denses et en généralisant efficacement aux décalages structurels hors distribution.
Ce papier évalue le potentiel de ChatGPT, en particulier via son plugin d'analyse de données, comme copilote quantitatif capable d'assister les praticiens en science des données dans l'exploration, la visualisation et la modélisation, tout en soulignant la nécessité de considérer ses limites pour une utilisation empirique rigoureuse.
Le papier propose FiLo, une nouvelle méthode de détection d'anomalies en zéro-shot qui améliore la précision et la localisation grâce à des descriptions fines générées par des modèles de langage et une localisation de haute qualité assistée par Grounding DINO, atteignant ainsi des performances de pointe sur les ensembles de données MVTec et VisA.
Cet article propose la méthode USEFUL, qui atténue le biais de simplicité en rééchantillonnant sélectivement les données d'entraînement pour améliorer la généralisation in-distribution, atteignant ainsi des performances de pointe sur plusieurs jeux de données standards.
Ce papier propose une nouvelle fonction de perte nommée « Astral », basée sur des majorants d'erreur, pour entraîner des réseaux de neurones physiques afin d'obtenir des estimations d'erreur fiables et directes tout en assurant une convergence rapide et une précision comparable ou supérieure aux méthodes de minimisation de résidus classiques.
Cette étude présente la première comparaison neutre à grande échelle de 19 modèles de survie sur 34 jeux de données à faible dimension, concluant que le modèle de Cox à risques proportionnels reste la méthode la plus simple et robuste pour la plupart des praticiens, car aucune autre méthode n'a significativement surpassé ses performances.
Le papier présente VICatMix, un modèle de mélange bayésien variationnel efficace en R qui réalise simultanément le clustering et la sélection de variables pour des données biomédicales catégorielles de haute dimension, permettant ainsi une stratification précise des patients et la découverte de sous-types de cancer.
Cet article présente GeometricKernels, un package Python qui implémente les noyaux géométriques de chaleur et de Matérn pour l'apprentissage sur des variétés, des maillages et des graphes, permettant ainsi de quantifier l'incertitude et de calculer des expansions de Fourier dans divers espaces structurés avec une différenciation automatique.
Cet article propose une méthodologie de méta-apprentissage basée sur un vaste jeu de données de problèmes d'optimisation pour prédire avec précision l'efficacité du recuit quantique et identifier que la distribution des coefficients de biais et de couplage, plutôt que leur simple densité, est déterminante pour la qualité des solutions.
Cette étude démontre que l'apprentissage par renforcement peut être utilisé pour entraîner un agent capable de concevoir automatiquement des circuits quantiques efficaces, découvrant notamment une nouvelle famille d'ansatzes performants pour résoudre le problème du Maximum Cut.
Cet article démontre que les réseaux de neurones feedforward à activation ReLU, lorsqu'ils sont sélectionnés selon le principe de la longueur minimale de description (MDL) pour interpoler des données générées par un langage de programmation simple, parviennent à généraliser avec une haute probabilité, même sur des tâches complexes comme le test de primalité.
Cet article présente un algorithme d'apprentissage d'opérateurs entre espaces de Banach basé sur les applications de Leray-Schauder, qui constitue un approximateur universel et démontre des performances comparables aux modèles de l'état de l'art sur des jeux de données de référence.