66 articles
Cet article présente une implémentation neuronale des cartes cognitives floues utilisant la dynamique de Langevin pour apprendre les causalités, inverser les solutions et fournir des critères de modification, le tout évalué sur plusieurs jeux de données.
Le papier présente D2MOE, une méthode innovante combinant l'extraction de caractéristiques multiscales à double vue et un algorithme évolutionnaire multi-objectif pour prédire avec précision les régions désordonnées des protéines en optimisant automatiquement la fusion des caractéristiques sans intervention manuelle.
Le papier présente NOBLE, une architecture d'augmentation permanente intégrant des branches non linéaires de faible rang dans les couches linéaires des transformateurs pour accélérer l'entraînement à partir de zéro avec un surcoût paramétrique minimal, offrant jusqu'à 1,22 fois une accélération nette du temps d'exécution tout en améliorant l'efficacité sur divers modèles comme les LLM, BERT et ViT.
Cet article présente un cadre reproductible hybride quantique-classique qui améliore la prédiction précise des pKa au niveau des résidus en enrichissant les représentations avec des caractéristiques inspirées de la mécanique quantique et en les traitant via un réseau de neurones quantiques profond, surpassant ainsi les modèles classiques en termes de généralisation et de robustesse.
Ce papier démontre qu'une architecture de réseau de neurones à trois dimensions utilisant des fonctions d'activation ReLU augmentées en hauteur permet d'atteindre des taux d'approximation exponentiels améliorés pour les fonctions analytiques et une approximation quantitative non asymptotique d'ordre élevé pour les fonctions , offrant ainsi une voie théorique pour concevoir des réseaux plus économes en paramètres.
Cet article propose un cadre mécanique quantique unifiant l'optimisation combinatoire et continue en modélisant les algorithmes de quantification via l'équation de Schrödinger, démontrant ainsi que l'effet tunnel permet d'échapper aux minima locaux pour garantir la convergence vers l'optimum global.
Cet article généralise le théorème d'approximation des opérateurs de Chen-Chen en introduisant les Topological DeepONets, qui permettent d'approcher uniformément des opérateurs continus définis sur des espaces localement convexes arbitraires grâce à une architecture branch-tronc utilisant des fonctionnelles linéaires continues.
Cet article présente ScenarioFuzz, une méthode de fuzzing basée sur des scénarios qui utilise des données historiques et des réseaux de neurones pour orchestrer la découverte de vulnérabilités dans les systèmes de conduite autonome, réduisant ainsi les coûts de temps de 60,3 % tout en augmentant de 103 % la découverte de scénarios d'erreurs.
Cette étude démontre que la symétrie topologique des réseaux de réservoirs améliore significativement la prédiction des systèmes de convection thermique, mais a peu d'impact sur les écoulements de cisaillement hautement chaotiques, révélant ainsi l'influence cruciale de la structure du réseau sur la complexité dynamique du système cible.
Cet article démontre que les illusions de mouvement statiques résultent des mécanismes prédictifs du cerveau en présentant un modèle génératif (EIGen) qui crée de telles illusions et confirme leur efficacité sur des participants humains, soutenant ainsi l'idée que nous percevons les prédictions de notre cerveau plutôt que l'entrée visuelle brute.
LLEMA est un cadre unifié qui combine les connaissances des grands modèles de langage, des règles évolutives informées par la chimie et un raffinement basé sur la mémoire pour accélérer la découverte de matériaux multi-objectifs plausibles et stables.
Yukthi Opus est une métaheuristique hybride multi-chaînes qui combine l'exploration MCMC, la recherche locale gloutonne et le recuit simulé adaptatif pour résoudre efficacement des problèmes d'optimisation NP-difficiles à grande échelle sous des contraintes de budget d'évaluation strictes.
Cet article développe une théorie dynamique de la récupération séquentielle dans les réseaux de Hopfield pilotés par l'entrée, en établissant des conditions mathématiques explicites pour les transitions de mémoire auto-entretenues afin de combler le fossé entre les modèles d'association classiques et les architectures de raisonnement modernes.
Ce papier présente Evolution 6.0, un système robotique autonome alimenté par l'IA générative qui conçoit et fabrique ses propres outils ainsi que les actions nécessaires pour accomplir des tâches humaines, en intégrant des modèles de vision-langage et de génération 3D.
Cet article présente Akkumula, un cadre de modélisation basé sur des réseaux de neurones à impulsions qui améliore la réalisme des modèles de conduite en simulant l'accumulation de preuves pour reproduire avec précision les actions des conducteurs tout en restant adaptable et transparent.
L'article présente AutoQD, une méthode théoriquement fondée qui génère automatiquement des descripteurs comportementaux en utilisant des caractéristiques de Fourier aléatoires pour approximer les mesures d'occupation des politiques, permettant ainsi de découvrir une diversité de comportements performants en apprentissage par renforcement sans recourir à des descripteurs prédéfinis.
L'article propose CaRe-BN, une méthode de normalisation par lots adaptative et recalibrée qui stabilise l'apprentissage par renforcement des réseaux de neurones à impulsions (SNN) en améliorant la précision des statistiques mobiles, permettant ainsi d'atteindre des performances supérieures à celles des réseaux de neurones artificiels tout en préservant l'efficacité énergétique lors du déploiement.
Cet article propose une nouvelle approche de l'optimisation qualité-diversité appelée « Soft QD » qui élimine le besoin de discrétisation de l'espace des comportements, permettant ainsi de développer l'algorithme différentiable SQUAD, plus évolutif et performant sur les problèmes à haute dimensionnalité.
Le papier présente NeuroPareto, une architecture unifiée intégrant filtrage par classement, désentanglement de l'incertitude et stratégies d'acquisition conditionnées par l'historique pour optimiser efficacement des problèmes à nombreux objectifs dans de vastes espaces de paramètres sous contraintes computationnelles strictes.
Ce papier présente mlx-snn, la première bibliothèque de réseaux de neurones à impulsions (SNN) native pour les puces Apple Silicon, qui offre des modèles de neurones complets et des performances de formation supérieures à celles de snnTorch en tirant parti de l'architecture unifiée de la mémoire et des transformations de fonctions composites du framework MLX.