11462 articles
BinaryShield est le premier système de partage d'intelligence sur les menaces respectant la vie privée, qui génère des empreintes cryptographiques à partir de prompts suspects pour détecter les injections de prompts entre services LLM tout en garantissant la conformité réglementaire.
Ce papier présente AIssistant, un cadre open-source multi-agent collaboratif conçu pour optimiser la rédaction de revues et d'articles de perspective en science des données en alliant l'efficacité des LLMs à la supervision humaine, réduisant ainsi le temps de travail de 65,7 % tout en maintenant l'intégrité scientifique.
Le papier présente SamudrACE, un émulateur de modèle climatique global couplé rapide et précis qui, grâce à l'intégration d'émulateurs d'océan et d'atmosphère en 3D, génère des simulations stables sur plusieurs siècles avec une variabilité réaliste des phénomènes climatiques tels qu'ENSO.
Ce papier présente I2S, un cadre léger et rapide pour l'identification d'utilisateurs en temps réel dans les systèmes de réalité augmentée, qui exploite l'analyse de la pose 3D de la main et une nouvelle descripteur d'enveloppe spatiale inter-mains (IHSE) pour atteindre une précision exceptionnelle de 97,52 % lors de l'interaction humain-objet.
Cette étude propose une approche d'apprentissage supervisé utilisant des régresseurs à vecteurs de support pour estimer l'entropie de Rényi des stabilisateurs, démontrant que cette méthode atteint une précision élevée sur des circuits aléatoires et généralise efficacement à des circuits structurés issus du modèle d'Ising transverse.
Cet article présente NextHAM, une méthode d'apprentissage profond universelle et E(3)-symétrique pour la prédiction efficace et précise des hamiltoniens de structure électronique, validée sur le nouveau benchmark large Materials-HAM-SOC incluant les effets de couplage spin-orbite.
Ce papier établit les premières garanties théoriques de récupération exacte des poids d'un réseau de neurones ReLU clairsemé à l'aide d'un algorithme de seuillage itératif à faible consommation mémoire, une performance validée expérimentalement sur des tâches de classification et de représentation neuronale.
Cet article présente SynGA, un algorithme génétique léger qui opère directement sur des routes de synthèse pour garantir la faisabilité chimique des molécules générées, démontrant ainsi son efficacité dans la recherche d'analogues et l'optimisation de propriétés, notamment lorsqu'il est couplé à un filtrage de blocs de construction pour atteindre des performances de pointe.
Ce papier propose FORCE, une méthode de correction de la sur-reliance aux caractéristiques qui améliore la transférabilité des attaques de contournement visuel (jailbreaking) contre les modèles de langage multimodaux en lissant le paysage de perte et en éliminant les dépendances non généralisables aux représentations de couches et aux composantes fréquentielles.
Ce papier présente GraphUniverse, un cadre open-source générant des familles de graphes aux communautés sémantiques persistantes pour évaluer systématiquement la généralisation inductive des modèles d'apprentissage graphique, révélant ainsi que les performances transductives ne prédisent pas la robustesse face aux décalages de distribution.
Ce papier présente SHINE, un cadre d'insertion d'images sans entraînement qui exploite les priors physiques des modèles de diffusion modernes pour réaliser des compositions réalistes avec des ombres et des réflexions précises, tout en introduisant le nouveau benchmark ComplexCompo pour évaluer ces capacités.
Ce papier propose une modélisation de récompense basée sur des grilles d'évaluation pour atténuer l'optimisation excessive dans le post-entraînement des grands modèles de langage en exploitant efficacement des exemples hors politique pour distinguer les réponses excellentes des réponses simplement bonnes.
Le papier présente DistillKac, un générateur d'images rapide qui utilise l'équation d'onde amortie et sa représentation stochastique de Kac pour déplacer la masse de probabilité à vitesse finie, permettant ainsi une génération de haute qualité en très peu d'évaluations tout en garantissant une stabilité numérique supérieure à celle des modèles de diffusion.
Ce papier présente RED-DiffEq, un nouveau cadre computationnel qui intègre des modèles de diffusion préentraînés comme mécanisme de régularisation pour résoudre des problèmes inverses d'équations aux dérivées partielles, démontrant une précision et une robustesse accrues, notamment dans le contexte de l'inversion de forme d'onde complète en géophysique.
Cet article introduit la méthode AATU pour prouver que l'inférence des modèles de diffusion discrets absorbants atteint une complexité de indépendante de la précision , surpassant ainsi les limites théoriques des approches uniformes existantes.
Cette étude démontre que l'élagage post-entraînement des activations dans les grands modèles de langage selon des motifs semi-structurés flexibles (N:M), en particulier le motif 8:16, préserve mieux les capacités génératives que l'élagage des poids et motive le développement de futurs accélérateurs matériels adaptés.
Le papier présente COMPASS, un cadre pratique qui améliore l'efficacité et la précision de la prédiction conformale pour les métriques de segmentation médicale en effectuant une calibration directe dans l'espace des représentations des réseaux de neurones, produisant ainsi des intervalles d'incertitude plus étroits et robustes face aux décalages de covariables.
Le papier présente HEAPr, une méthode de pruning innovante pour les modèles de type Mixture-of-Experts qui, en décomposant les experts en unités atomiques et en exploitant l'information de Hessian dans l'espace de sortie, permet une compression quasi sans perte avec une complexité réduite et des performances supérieures aux méthodes existantes.
Ce papier propose l'estimation d'avantage par quantile (QAE), une méthode qui remplace la ligne de base moyenne par une ligne de base basée sur les quantiles pour stabiliser l'apprentissage par renforcement avec récompenses vérifiables (RLVR) en prévenant l'effondrement et l'explosion de l'entropie, ce qui améliore durablement les performances de raisonnement des grands modèles de langage.
Cet article propose une méthode d'optimisation riemannienne sur des variétés de données implicites en reliant les opérations géométriques aux fonctions de score des modèles de diffusion, permettant ainsi de concevoir des algorithmes d'inférence efficaces comme le Denoising Landing Flow et le Denoising Riemannian Gradient Descent pour des applications de conception générative.