2288 articles
En introduisant le cadre modulaire GenGNN, cette étude démontre que les encodeurs expressifs complexes ne sont pas indispensables à la génération de graphes discrets, car des modèles de diffusion basés sur GenGNN atteignent des performances comparables à celles des transformateurs tout en étant nettement plus rapides.
Le papier présente MASEval, une bibliothèque agnostique qui évalue les systèmes d'agents LLM dans leur ensemble en démontrant que le choix du framework impacte la performance autant que celui du modèle, comblant ainsi le vide des benchmarks centrés uniquement sur les modèles.
Cette étude démontre théoriquement et empiriquement que les modèles hybrides combinant Transformers et modèles d'espace d'états surpassent leurs contreparties non hybrides en surmontant leurs limitations fondamentales en termes de paramètres et de mémoire, tout en offrant une meilleure généralisation et une robustesse accrue.
Ce papier présente APPLV, une méthode qui utilise des modèles vision-langage-action pour prédire dynamiquement les paramètres de planificateurs classiques, améliorant ainsi la navigation autonome et la généralisation dans des environnements contraints.
Cette étude démontre que les modèles centrés sur le canal, y compris les simulateurs de ray-tracing, échouent à prédire avec précision le débit de bout en bout dans les réseaux 5G privés en raison d'une surestimation des couches spatiales MIMO, et recommande l'adoption d'approches pilotées par les données pour garantir une planification robotique fiable.
Cet article propose un nouveau modèle de sélection de caractéristiques nommé FSbuHD, basé sur la théorie des ensembles flous-rough et fonctionnant en modes normal et optimiste, qui reformule le problème en une optimisation via des méta-heuristiques pour surmonter les limitations des méthodes existantes dans les systèmes d'information hybrides.
Cet article propose une ablation complète de neuf familles de bornes pour la prédiction sélective et introduit le « Transfer-Informed Betting », une méthode novatrice qui améliore la quantification de l'incertitude en contextes de données limitées en warm-startant le processus de richesse WSR avec le profil de risque d'un domaine source, surpassant ainsi les méthodes existantes sur plusieurs benchmarks.
Le papier présente FedLECC, une stratégie légère de sélection de clients pour l'apprentissage fédéré qui regroupe les appareils par similarité de distribution d'étiquettes et privilégie ceux ayant une perte locale élevée, améliorant ainsi la précision et réduisant les coûts de communication dans des environnements aux données non indépendantes et non identiquement distribuées (non-IID).
Cet article présente un cadre d'évaluation de confidentialité multi-vecteurs conçu pour quantifier les risques de mémorisation dans les modèles de langage génomique, démontrant que ces modèles mémorisent effectivement des séquences sensibles et que l'audit de sécurité doit combiner plusieurs méthodes pour évaluer pleinement ces risques.
Cet article propose une méthode entièrement différentiable utilisant des portes de Bernoulli relaxées pour découvrir des tickets de loterie forts dans des réseaux de neurones sur-optimisés, permettant d'atteindre jusqu'à 90 % de parcimonie avec une perte de précision minimale sans nécessiter d'estimateurs de gradient non différentiables ni de cycles d'élagage itératifs.
Le papier présente MedCBR, un cadre de raisonnement basé sur des concepts qui intègre les directives cliniques aux modèles vision-langage pour améliorer l'interprétabilité et la fiabilité des diagnostics médicaux en générant des narratifs cliniques structurés.
Cet article propose un cadre d'apprentissage par renforcement hiérarchique intégrant une perte adversariale robuste et l'optimisation de politique proximale (PPO) pour entraîner un modèle sur un réseau numérique jumeau multi-fidélité, afin d'optimiser conjointement l'ajustement des angles d'inclinaison des antennes et la stratégie de collecte de données, réduisant ainsi la latence de collecte jusqu'à 28,01 % tout en maximisant les débits des utilisateurs.
Le système Guardian propose une approche décisionnelle interprétable pour la recherche d'enfants disparus, combinant des chaînes de Markov pour la modélisation des risques spatiotemporels, l'apprentissage par renforcement pour l'optimisation des plans de recherche et des modèles de langage pour la validation automatique de la qualité.
Le papier présente BiCLIP, un cadre simple et efficace qui améliore l'adaptation de domaine des modèles vision-langage en appliquant une transformation géométrique structurée aux caractéristiques multimodales, permettant d'atteindre des performances de pointe sur plusieurs benchmarks avec un nombre minimal de paramètres.
Cet article propose ULFS-KDPE, un estimateur de plug-in débiaisé basé sur un modèle défavorable universel dans un espace de Hilbert à noyau, qui permet d'estimer efficacement des paramètres différentiables dans des modèles non paramétriques sans nécessiter le calcul explicite des fonctions d'influence efficaces.
Cette thèse propose des méthodes pour améliorer la fiabilité de l'inférence basée sur la simulation en introduisant une régularisation par équilibrage et l'utilisation de réseaux de neurones bayésiens afin de prévenir les conclusions excessivement confiantes générées par les approximations d'apprentissage automatique.
Ce papier présente Guardian, un système end-to-end coordonnant plusieurs modèles de langage spécialisés et un moteur de consensus pour extraire et traiter intelligemment les informations lors des premières heures critiques d'une enquête sur une personne disparue, tout en garantissant une approche auditable et conservatrice.
Ce sondage réintroduit les méthodes d'apprentissage par renforcement aux économistes comme une extension échantillonnée de la programmation dynamique permettant de résoudre des modèles économiques complexes à haute dimension, tout en soulignant leurs limites pratiques telles que l'inefficacité échantillonnaire et l'absence de garanties de convergence globale.
Cet article introduit l'inégalité pour démontrer que les modèles à mélange d'experts (MoE), bien qu'efficaces à l'entraînement, subissent une double pénalité structurelle à l'inférence (fragmentation de la réutilisation des poids et saturation de la mémoire) qui les rend souvent moins performants que des modèles denses équivalents, surtout dans des contextes longs.
Ce papier présente le cadre SLoD, qui utilise la diffusion par noyau de chaleur sur des variétés hyperboliques pour définir un opérateur de zoom continu permettant de contrôler la résolution sémantique et de détecter automatiquement les niveaux d'abstraction dans les graphes de connaissances.