65 articles
Cet article propose un cadre d'apprentissage évolutif auto-supervisé (SSEL) qui extrait à partir de l'EEG des progressions neurodynamiques individualisées et des manifolds d'identité pour améliorer la sécurité et la personnalisation dans les environnements de trafic critiques, sans recourir à des étiquettes externes.
Ce papier présente deux nouveaux cadres évolutifs, NEMO-DE et NEEF-DE, qui permettent la localisation de sources multiples en champ proche sur des géométries d'antennes arbitraires en utilisant des modèles de signaux continus sans nécessiter de données étiquetées ni de grilles discrétisées.
Cet article propose l'algorithme hybride NHILS, combinant une méthode d'échantillonnage adaptatif (OPERA-MC) et une recherche locale, pour résoudre efficacement le problème du sac-à-dos à choix multiples à contraintes stochastiques multi-objectifs sous distributions implicites, avec des applications prometteuses dans la configuration des réseaux 5G.
Cette étude propose un réseau de neurones basé sur le codage par ordre de rang, inspiré des voies STG-LIFG-PMC, qui démontre comment cette représentation compacte permet à la fois la compression et la reconstruction d'énoncés, la détection de nouveautés globales et une généralisation proto-syntaxique robuste face aux perturbations structurelles.
Ce rapport présente les travaux du groupe SymBa à l'atelier ALICE 2026, qui répliquent et étendent les recherches pionnières de Barricelli sur la symbiogenèse d'organismes numériques pour explorer son rôle dans l'origine de la vie, l'ouverture évolutive et l'intelligence collective.
Ce papier présente PolarBear, un cadre basé sur l'inférence bayésienne et des modèles de classement Plackett-Luce qui identifie l'ensemble de Pareto d'algorithmes d'optimisation en temps réel sans nécessiter de normalisation ni de connaissances préalables des optima, permettant ainsi une sélection robuste sous des contraintes de temps arbitraires.
Le papier propose SwitchMT, une méthode novatrice utilisant des réseaux de neurones à impulsions avec une politique de commutation de tâches adaptative pour permettre un apprentissage multi-tâches évolutif et efficace aux agents autonomes, surmontant ainsi les interférences de tâches sans accroître la complexité du réseau.
Le papier présente Panda, un modèle pré-entraîné sur un vaste ensemble de systèmes dynamiques chaotiques synthétiques qui, grâce à une architecture d'attention par patches, parvient à effectuer des prévisions en zéro-shot sur des systèmes chaotiques inédits et à prédire des équations aux dérivées partielles sans réentraînement, démontrant ainsi l'efficacité des modèles fondés pour les dynamiques non linéaires.
Cette étude de synthèse examine l'évolution et l'intégration de la confidentialité différentielle dans les modèles d'apprentissage automatique, depuis l'IA symbolique jusqu'aux grands modèles de langage, afin de garantir le développement de systèmes d'IA sécurisés et responsables.
Le papier présente GOT-JEPA, un cadre de pré-entraînement par prédiction de modèles qui améliore la généralisation et la gestion des occlusions dans le suivi d'objets génériques, complété par OccuSolver pour affiner l'estimation de la visibilité et la capture des motifs d'occlusion.
Cette étude démontre qu'un algorithme neuromorphique nativement épiqué conçu pour résoudre des équations aux dérivées partielles possède une robustesse intrinsèque remarquable, tolérant jusqu'à 32 % de neurones et 90 % de spikes supprimés sans dégradation significative de la précision.
Cette étude présente un cadre d'apprentissage par renforcement informé par la physiologie qui, en contraignant le contrôle moteur à l'aide de synergies musculaires, améliore la fidélité biomécanique et la généralisation des simulations de locomotion humaine sur divers terrains et vitesses.
Cet article propose un cadre hybride léger intégrant des modèles de langage et des mécanismes d'attention graphique pour surmonter les contraintes de ressources dans le jeu des Amazones, démontrant une amélioration significative de la précision décisionnelle et une capacité à surpasser le modèle de base (GPT-4o-mini) grâce à l'apprentissage à partir de données synthétiques bruitées.
Cet article présente un système d'électronique cutanée (e-skin) entièrement intégré et piloté par les événements, combinant une stratégie de balayage binaire dynamique pour une acquisition de données ultra-économe et un réseau de neurones à impulsions (SNN) implémenté sur FPGA, permettant une reconnaissance de chiffres manuscrits en temps réel avec une grande efficacité énergétique et une précision de 92,11 %.
Le papier « ForwardFlow » propose une méthode d'inférence statistique fréquentiste basée sur l'apprentissage profond, utilisant un réseau neuronal unique entraîné sur des données simulées pour résoudre directement le problème inverse d'estimation de paramètres avec une exactitude en échantillon fini, une robustesse aux contaminations et une capacité à approximer des algorithmes complexes.
Les auteurs proposent un système d'IA entièrement automatisé qui génère des vidéos comiques de type « sketch » en mobilisant une population d'agents inspirés des rôles d'un studio de production et en s'appuyant sur des critiques LLM entraînés sur des données YouTube pour évaluer et optimiser l'humour, produisant ainsi des résultats de qualité professionnelle.
Ce papier présente TT-SNN, une méthode novatrice combinant la décomposition en train de tenseurs et un pipeline de calcul parallèle pour réduire considérablement la taille des modèles, les opérations de calcul et l'énergie de formation des réseaux de neurones à spiking, tout en maintenant une précision élevée.
Ce travail présente une revue complète et une spécification formelle des réseaux de codage prédictif, un cadre inspiré des neurosciences qui utilise l'apprentissage par inférence comme alternative biologiquement plausible et potentiellement plus efficace à la rétropropagation, tout en offrant une approche unifiée pour l'apprentissage supervisé et génératif.
Cette étude propose une méthode bio-inspirée imitant le comportement des fourmis pour classifier en temps réel les états de contrôle d'une ligne de production industrielle et anticiper les transitions critiques, en combinant des scores de base, de menace et environnementaux issus d'une approche de phéromones numériques.
Ce papier démontre que les graphes de codage prédictif constituent un sur-ensemble mathématique des réseaux de neurones à propagation avant, renforçant ainsi leur pertinence dans le domaine de l'apprentissage automatique et la notion de topologie des réseaux neuronaux.