12775 articles
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.
Ce papier présente Skywork-Reward-V2, une série de modèles de récompense open-source qui atteignent des performances de pointe grâce à l'utilisation du jeu de données SynPref-40M, créé via une synergie humain-IA pour curer à grande échelle des préférences de haute qualité.
Cet article présente MC-INR, un cadre novateur basé sur l'apprentissage par méta-entraînement et le regroupement dynamique pour encoder efficacement des données de simulation scientifique multivariées sur des grilles non structurées, surmontant ainsi les limitations des représentations neuronales implicites existantes.
Cet article présente EP-GAT, un réseau de neurones à attention graphique parallèle basé sur l'énergie qui améliore la classification des tendances boursières en modélisant dynamiquement les interdépendances entre les actions via une distribution de Boltzmann et en préservant les dynamiques intra-actions hiérarchiques, surpassant ainsi plusieurs méthodes de référence sur cinq jeux de données réels.
Cet article propose une nouvelle méthode de guidage sans classificateur pour les modèles de diffusion masqués, fondée sur une analyse théorique en basse dimension qui révèle que le guidage tardif améliore la qualité des échantillons et permet de corriger un déséquilibre dans les transitions, conduisant à une simple modification de code qui améliore significativement la génération d'images et de textes conditionnels.
Cet article présente les modèles de flux de jauge, une nouvelle classe de modèles génératifs intégrant un champ de jauge apprenable dans les équations différentielles ordinaires, qui surpassent significativement les modèles de flux traditionnels sur des mélanges gaussiens et promettent des performances améliorées pour diverses tâches génératives.
Cet article présente les modèles de flux de jauge supérieurs, une nouvelle classe de modèles génératifs qui étendent les modèles de jauge classiques en intégrant des algèbres L pour incorporer la géométrie et les symétries supérieures, démontrant ainsi des performances supérieures sur des mélanges gaussiens.
Cet article établit l'équivalence entre l'algorithme GPTQ et l'algorithme du plan le plus proche de Babai en démontrant que la quantisation des réseaux de neurones correspond à la résolution du problème du vecteur le plus proche dans un réseau généré par les données d'entrée, ouvrant ainsi la voie à l'utilisation de la réduction de base de réseau pour améliorer la quantisation.
En analysant plus de 5 000 cas de vol d'identité, cette recherche propose un cadre de prédiction des risques de confidentialité basé sur un graphe d'écosystème d'identité et des réseaux de neurones graphiques pour estimer la probabilité que la divulgation d'un attribut d'identité entraîne celle d'autres données personnelles.
Le papier présente Shuffle-R1, un cadre d'apprentissage par renforcement efficace pour les modèles de langage multimodaux qui résout les problèmes d'effondrement des avantages et de silence des trajectoires grâce à un échantillonnage dynamique et un remaniement des données pour optimiser l'entraînement.
Ce papier présente un cadre d'optimisation non paramétrique des coordonnées de réaction intégrant l'historique des trajectoires, permettant une analyse robuste des dynamiques d'événements rares dans des systèmes complexes et des données longitudinales sans nécessiter d'échantillonnage extensif.
Cet article propose REC, un cadre d'apprentissage de récompense probabiliste qui utilise l'incertitude d'un ensemble de modèles pour améliorer l'apprentissage par préférences, permettant ainsi à des drones quadricoptères d'exécuter des manœuvres acrobatiques complexes avec un transfert réussi vers le monde réel sans récompenses manuelles.
Cette étude démontre que le modèle de fondation TabPFN, appliqué sans entraînement aux problèmes de caractérisation géotechnique du benchmark GEOAI, surpasse les modèles bayésiens hiérarchiques traditionnels en précision et en efficacité pour la prédiction spatiale et l'imputation de données, marquant ainsi une avancée significative dans le domaine.
Cet article propose le cadre DPH-RL, qui utilise des divergences f couvrant la masse (comme la KL directe) comme mécanisme de répétition pour préserver la diversité des solutions et améliorer les performances Pass@k et Pass@1 dans l'apprentissage par renforcement avec récompense vérifiable, tout en évitant l'oubli catastrophique et en réduisant les coûts de calcul.
Cet article établit des bornes d'erreur rigoureuses et un diagramme de phase pour l'entraînement des ResNets profonds, démontrant que leur dynamique de convergence vers une équation différentielle ordinaire (ODE) moyenne dépend crucialement de l'échelle du résidu, permettant soit une mise à jour non linéaire des caractéristiques locales, soit un régime « paresseux » linéaire.