65 articles
Cet article présente un cadre d'apprentissage profond combinant la découverte de coordonnées et de cartes de flux pour améliorer l'efficacité computationnelle et la précision des simulations de systèmes multi-échelles complexes, comme démontré sur les modèles de FitzHugh-Nagumo et de Kuramoto-Sivashinsky.
Ce papier présente MLES, une approche novatrice combinant des modèles de langage multimodaux et une recherche évolutionnaire pour générer des politiques de contrôle programmatiques transparentes, vérifiables et performantes, offrant une alternative interprétable aux réseaux de neurones opaques du deep reinforcement learning.
Cet article propose un cadre d'apprentissage continu pour les réseaux de neurones à impulsions (SNN) en vision neuromorphique, qui intègre une gestion adaptative du budget de spikes pour optimiser simultanément la précision et l'efficacité énergétique tout en atténuant l'oubli catastrophique sur des données événementielles et basées sur des images.
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.
Cette étude démontre que l'intégration synergique de mécanismes complémentaires, notamment l'apprentissage contrastif supervisé et les réseaux récurrents hiérarchiques, au sein de réseaux de neurones à impulsions permet d'optimiser simultanément la précision, l'efficacité énergétique et la structure des représentations pour la vision neuromorphique.
Cet article présente le cadre dynamique HOC-L, qui unifie la plasticité structurelle hyperbolique et la synchronisation de phase oscillatoire via un mécanisme de plasticité gating pour créer des architectures neuronales bio-inspirées à la fois parcimonieuses et convergentes.
Cette étude propose un cadre basé sur les réseaux de neurones informés par la physique (PINN) permettant une estimation robuste des paramètres biophysiques et la reconstruction des états cachés dans des modèles neuronaux multiscales, surpassant les méthodes traditionnelles face aux non-linéarités et aux données partielles.
Cet article propose une mesure de platitude exacte et architecturalement fidèle pour les réseaux de neurones convolutifs, dérivée d'une expression fermée de la trace de l'Hessienne, qui s'avère être un outil robuste pour estimer et comparer les performances de généralisation de ces modèles.
Ce papier présente DendroNN, un réseau de neurones bio-inspiré qui exploite les mécanismes de détection de séquences des dendrites pour classifier efficacement des données événementielles via une phase de ré câblage sans gradient et une architecture matérielle asynchrone, surpassant ainsi les solutions neuromorphiques existantes en termes d'efficacité énergétique.
Cet article présente une méthode basée sur la programmation génétique pour découvrir symboliquement des équations différentielles stochastiques en optimisant conjointement les fonctions de dérive et de diffusion, permettant ainsi une modélisation interprétable et robuste de systèmes dynamiques bruyants.
Cet article propose un formalisme général biologiquement plausible qui approxime la rétropropagation dans le temps en unifiant et en étendant le modèle d'équilibre latent généralisé (GLE) pour offrir un cadre rigoureux d'apprentissage spatiotemporel dans le cortex et des pistes pour des circuits physiques réalisant ces calculs.
Cet article présente un cadre SVM en boîte blanche optimisé par des algorithmes d'essaims pour la surveillance en temps réel de l'usure des fraises à dents, en caractérisant les vibrations de broche via l'analyse de leurs réponses temporelles et statistiques.
Cette étude de synthèse examine l'application de la théorie de l'utilité au modèle cognitif en robotique, en retraçant son évolution depuis la robotique basée sur le comportement jusqu'aux systèmes de valeurs actuels, tout en identifiant les défis ouverts et les perspectives de recherche pour les systèmes mono et multi-agents.
Cet article présente un neurone analogique spiking LIF en technologie CMOS 28 nm consommant seulement 1,61 fJ par pic, démontrant la viabilité d'une implémentation ASIC économe en énergie pour des réseaux de neurones à pics quantifiés appliqués à l'apprentissage machine embarqué.
Cet article propose une réévaluation rigoureuse de l'efficacité énergétique des réseaux de neurones à impulsions (SNN) en comparant des modèles équivalents à des réseaux de neurones quantifiés (QNN) via un modèle analytique complet, révélant ainsi les conditions spécifiques où les SNN surpassent réellement les QNN et peuvent doubler l'autonomie des appareils portables.
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 une approche neurodynamique à deux échelles de temps pour résoudre des problèmes d'optimisation stochastique robustes avec contraintes de chance géométriques conjointes, en démontrant la convergence vers un optimum global sans recourir aux méthodes de résolution classiques.
L'article présente OptiRoulette, un méta-optimiseur stochastique qui sélectionne dynamiquement des règles de mise à jour lors de l'entraînement, permettant une convergence jusqu'à 5,3 fois plus rapide et une précision supérieure par rapport à AdamW sur plusieurs jeux de données d'images.
Le papier présente RECAP, une stratégie d'apprentissage bio-inspirée qui associe la dynamique d'un réservoir non entraîné à une lecture auto-organisée par prototypes hebbiens pour réaliser une classification d'images robuste sans recours à la rétropropagation de l'erreur.
Cet article propose un cadre évolutif piloté par les grands modèles de langage qui reconstruit automatiquement tous les composants de la Recherche à Voisinage Large Adaptatif (ALNS), surpassant les méthodes classiques sur des benchmarks TSPLIB tout en révélant des motifs de conception contre-intuitifs.