2276 articles
Bien que la méthode MLD-BFM ait obtenu les meilleurs résultats de prédiction pour le mouvement des doigts, cette étude conclut que les descripteurs spatiaux n'apportent pas d'amélioration statistiquement significative par rapport aux descripteurs temporels classiques, soulignant ainsi que la haute densité des enregistrements sEMG encode déjà suffisamment d'informations spatiales via les descripteurs d'amplitude.
Cet article présente EMFusion, un cadre de diffusion conditionnelle probabiliste qui améliore la fiabilité des prévisions de champs électromagnétiques sélectifs en fréquence pour les réseaux sans fil en intégrant des facteurs contextuels, en fournissant des estimations d'incertitude explicites et en surpassant les modèles de base existants.
Cette étude présente le cadre WT-RDF+, qui améliore la précision de la reconstruction des fonctions de distribution radiale des matériaux amorphes en optimisant les paramètres de la transformée en ondelettes grâce à l'apprentissage automatique, surpassant ainsi les modèles d'apprentissage automatique conventionnels.
Ce papier propose un nouveau cadre théorique qui identifie un décalage systématique dans les mises à jour des activations, dérive la normalisation de ses premiers principes et introduit des méthodes alternatives comme le « PatchNorm » qui surpassent les normalisateurs conventionnels.
Cet article démontre, pour la première fois de manière rigoureuse à l'aide de problèmes d'estimation de performance, que l'intégration de mises à jour locales dans l'algorithme distribué DIGing peut accélérer l'optimisation sans réduire le pas de gradient, révélant que deux mises à jour locales suffisent à obtenir le gain maximal.
Ce papier présente la modélisation générative bayésienne (BGM), un cadre unifié alimenté par l'IA qui permet d'effectuer des inférences conditionnelles sur n'importe quelle partition de variables avec quantification rigoureuse de l'incertitude, sans nécessiter de réentraînement du modèle.
Cet article présente un système automatisé utilisant des agents de recherche web pilotés par des LLM pour générer et résoudre à grande échelle des questions de prévision réalistes et diversifiées, démontrant une haute fiabilité et la capacité à améliorer les performances des modèles d'IA grâce à des stratégies de décomposition de questions.
Ce papier présente Infusion, un cadre utilisant des approximations de fonctions d'influence pour modifier subtilement un faible pourcentage de données d'entraînement et façonner de manière ciblée le comportement des modèles d'apprentissage automatique, démontrant ainsi la vulnérabilité des systèmes d'IA à des attaques de type « empoisonnement de données » subtiles et transférables.
Cet article propose un cadre robuste pour l'optimisation d'assortiment basé sur des données observationnelles, qui maximise le revenu attendu dans le pire des cas face aux décalages de préférences des clients tout en établissant des garanties théoriques d'efficacité statistique via une nouvelle notion de « couverture robuste au niveau des articles ».
Cette étude présente une nouvelle approche basée sur un transformateur à goulot d'étranglement pour prédire la métrique STOI de manière non intrusive, surpassant les modèles de l'état de l'art en termes de corrélation et d'erreur quadratique moyenne grâce à une architecture combinant blocs convolutifs et attention multi-têtes.
Le papier présente B-DENSE, un cadre novateur qui améliore l'efficacité de l'inférence des modèles de diffusion en utilisant une alignement de trajectoire dense via une architecture à branches multiples, permettant ainsi au modèle étudiant de préserver les informations structurelles intermédiaires et d'obtenir une qualité de génération supérieure par rapport aux méthodes de distillation existantes.
Ce papier présente Missing-by-Design (MBD), un cadre unifié pour l'analyse de sentiment multimodale réversible qui combine l'apprentissage de représentations structurées et une mise à jour paramétrique certifiable pour supprimer sélectivement des modalités de données sensibles tout en préservant les performances prédictives.
Cette étude propose un cadre d'apprentissage continu basé sur un curriculum pour le contrôle robuste de systèmes dynamiques non linéaires soumis à de multiples incertitudes, en décomposant le problème en tâches séquentielles et en intégrant un contrôleur modèle pour accélérer la convergence et garantir un transfert réussi de la simulation à la réalité, comme démontré par une application industrielle sur le contrôle des vibrations des chaînes cinématiques automobiles.
Ce papier présente Coupled Discrete Diffusion (CoDD), un cadre hybride qui surmonte la barrière de factorisation des modèles de diffusion linguistiques en remplaçant les sorties totalement factorisées par une couche d'inférence probabiliste légère, permettant ainsi de modéliser des dépendances conjointes complexes et d'obtenir des performances de raisonnement élevées avec une latence réduite et un coût d'entraînement minimal.
Cette étude présente SpeedTransformer, un modèle novateur basé sur l'architecture Transformer qui utilise exclusivement les données de vitesse issues de trajectoires GPS denses pour détecter avec précision les modes de transport, surpassant les modèles traditionnels comme les LSTM tout en démontrant une grande flexibilité en apprentissage transférable et une robustesse dans des environnements réels complexes.
Cet article établit que, pour les processus de décision markoviens robustes non rectangulaires à récompense moyenne, toute politique à regret sous-linéaire est optimale et admet une représentation minimax, tout en proposant un cadre de valeur transitoire et une politique étagée garantissant des performances à court terme constantes.
Ce papier présente DUEL, un cadre unifié permettant le calcul exact de la vraisemblance pour les modèles de diffusion masquée via un dés masquage déterministe, révélant ainsi que ces modèles surpassent considérablement les estimations précédentes et atteignent des performances proches, voire supérieures, à celles des modèles autoregressifs.
Le papier présente Gome, un agent MLE qui remplace la recherche arborescente par une optimisation basée sur le gradient en traduisant le raisonnement diagnostique et la mémoire des erreurs en calcul de gradient et momentum, surpassant ainsi les méthodes traditionnelles sur les modèles de pointe avec une efficacité accrue.
Ce papier présente FinTexTS, un nouveau jeu de données à grande échelle associant des séries temporelles financières à des textes, construit grâce à un cadre d'appariement sémantique et multi-niveaux qui capture les interdépendances complexes du marché et améliore la prévision des cours boursiers.
Ce papier propose deux techniques logicielles, l'échelle consciente des débordements (OAS) et l'échelle de bloc macro (MBS), qui réduisent considérablement l'écart de précision entre le format MXFP4 et NVFP4 pour les grands modèles de langage, rendant ainsi MXFP4 une alternative pratique et économe en matériel sans nécessiter de modifications matérielles.