2559 articles
Ce papier propose PESO, une méthode d'adaptation continue utilisant un régularisateur proximal pour optimiser l'apprentissage des adaptateurs LoRA dans les systèmes de recommandation génératifs en équilibrant l'adaptation aux comportements récents et la préservation des connaissances utiles, surpassant ainsi les méthodes existantes.
Cette étude compare l'approche interprétable ANFIS-FBCSP-PSO et le modèle profond EEGNet pour la classification des EEG d'imagerie motrice, révélant que le premier surpasse le second en précision intra-sujet tandis que le second offre une meilleure généralisation inter-sujet, fournissant ainsi des directives pour choisir entre interprétabilité et robustesse dans les systèmes BCI.
Cet article propose le système NMoE, une approche d'apprentissage fédéré intégrant des apprentissages supervisé et auto-supervisé, permettant aux dispositifs mobiles de collaborer efficacement pour l'inférence et l'entraînement de modèles d'intelligence artificielle de grande taille tout en préservant la confidentialité des données et l'efficacité des communications.
Le papier présente FATE, une nouvelle série de benchmarks en algèbre formelle couvrant des niveaux de difficulté allant des exercices universitaires à des problèmes dépassant les examens de doctorat, révélant que les modèles de langage actuels éprouvent des difficultés majeures à formaliser un raisonnement mathématique avancé, avec des taux de réussite extrêmement faibles sur les problèmes les plus complexes.
Ce rapport présente Jr. AI Scientist, un système autonome capable de générer des contributions scientifiques novatrices en suivant un flux de travail de recherche complet, tout en évaluant ses performances supérieures aux systèmes existants et en identifiant les risques et limites critiques nécessitant une supervision humaine.
Ce papier propose la méthode DR-SPCRL, qui améliore l'apprentissage par renforcement robuste en adaptant dynamiquement le budget de robustesse sous forme de curriculum, permettant ainsi de stabiliser l'entraînement et d'obtenir un compromis supérieur entre performance nominale et résilience face aux perturbations.
Cet article présente un cadre d'apprentissage contrastif de graphes sans augmentation, fondé sur la dynamique continue d'ordre fractionnaire, qui génère automatiquement une gamme continue de vues adaptatives pour capturer des motifs structurels multi-échelles et surpasser les méthodes de l'art.
Cet article propose d'améliorer les CVAE pour la génération d'images en modélisant la distribution conditionnelle de l'espace latent via des transformations non préservant le volume, ce qui permet de réduire le flou, d'augmenter la diversité et de surpasser les méthodes existantes avec une baisse du FID de 4 % et une hausse de la vraisemblance logarithmique de 7,6 %.
Cet article propose une méthode de certification de robustesse pour les attaques qui, en exploitant la propriété géométrique de l'enveloppe convexe de la boule , permet de calculer des bornes linéaires nettement plus serrées et d'accélérer significativement les vérificateurs d'état de l'art.
Cet article propose une nouvelle méthode d'attaque par exemple adversaire pour les réseaux hyperboliques, baptisée « Angular Gradient Sign », qui exploite la géométrie de l'espace en se concentrant sur les composantes angulaires du gradient pour générer des perturbations plus efficaces et révéler des vulnérabilités spécifiques aux représentations hiérarchiques.
Cet article propose un cadre probabiliste réaliste, basé sur la notion de « (k, ε)-instable », pour améliorer la fiabilité des certificats de sécurité de SmoothLLM face aux attaques de contournement (jailbreaking) en remplaçant l'hypothèse restrictive « k-instable » par une borne inférieure fondée sur des données empiriques.
Cette étude présente un pipeline automatisé pour générer des attaques de jailbreak multi-tours fondées sur des principes psychologiques, révélant que les modèles de la famille GPT sont particulièrement vulnérables à ces manipulations contextuelles, contrairement à Gemini 2.5 Flash qui démontre une résilience exceptionnelle.
Cet article propose une méthode de régularisation ciblée dans l'espace latent, qui améliore la généralisation hors distribution en injectant du bruit anisotrope pour aplatir les frontières de décision le long des axes de raccourcis sans nécessiter d'étiquettes explicites ni d'exemples contradictoires.
Cette étude démontre que le crowdsourcing via une compétition Kaggle a permis de développer des architectures d'apprentissage machine hybrides stables et performantes pour les simulations climatiques, validant ainsi l'efficacité de cette approche pour résoudre les problèmes d'instabilité en ligne dans les modèles climatiques à basse résolution.
Le papier présente CRAwDAD, un cadre de débat à deux agents utilisant des modèles de raisonnement pour améliorer la précision de l'inférence causale en simulant un dialogue critique entre hypothèses concurrentes, ce qui a permis d'augmenter significativement les performances des modèles Qwen3 et DeepSeek-R1 sur le jeu de données CLadder.
Cette étude présente ForamDeepSlice, un cadre d'apprentissage profond de haute précision qui utilise des tranches 2D de micro-CT pour classifier automatiquement les espèces de foraminifères avec une exactitude de 95,64 %, tout en offrant un tableau de bord interactif pour le déploiement pratique en géosciences.
L'article présente AltNet, une méthode basée sur des réseaux jumeaux qui résout le dilemme plasticité-stabilité en apprentissage par renforcement en alternant périodiquement les rôles d'actif et de passif entre deux réseaux, permettant ainsi de restaurer la plasticité et d'améliorer les performances sans subir de chute temporaire dangereuse lors des réinitialisations.
Ce papier présente MSPT, une architecture de Transformer à attention multi-échelle optimisée par des arbres sphériques pour partitionner des géométries irrégulières, permettant de modéliser efficacement des phénomènes physiques à grande échelle sur un seul GPU avec une précision supérieure et des coûts réduits.
Ce papier propose un cadre de lissage aléatoire dual qui utilise des variances de bruit dépendantes de l'entrée pour surmonter les limitations des variances globales et améliorer simultanément la robustesse certifiée aux petites et grandes radii.
Cet article présente DROCO, un algorithme d'apprentissage par renforcement hors ligne cross-domaine qui assure une robustesse à la fois lors de l'entraînement et du déploiement face aux changements de dynamique, en introduisant un opérateur de Bellman robuste et des techniques de régularisation pour surpasser les méthodes existantes.