66 articles
Cette étude démontre que la reformulation algébrique des objectifs et la conception des benchmarks peuvent générer des écarts locaux structurés par rapport à l'intuition du théorème « No Free Lunch », entraînant des réorganisations stables des performances des algorithmes et soulignant la nécessité d'un choix d'algorithme conscient de la classe de problèmes et de la représentation de l'objectif.
Cet article présente un cadre de co-optimisation conjointe matériel-charge de travail basé sur un algorithme évolutionnaire pour concevoir des accélérateurs de calcul en mémoire généralisés, réduisant ainsi significativement le compromis performance-énergie entre les conceptions spécifiques à une charge de travail et les architectures polyvalentes.
Cet article propose une reformulation adaptative d'un indicateur de convergence basé sur les conditions KKT, utilisant une normalisation par quantile pour améliorer la robustesse face aux distributions hétérogènes des résidus de stationnarité dans l'optimisation multi-objectif sans nécessiter de référence externe.
Cet article présente une analyse de stabilité de Lyapunov complète et une implémentation numérique d'un modèle de dérive-diffusion stochastique pour l'optimisation vectorielle, démontrant son efficacité comme alternative mathématiquement rigoureuse aux heuristiques évolutionnaires, particulièrement dans les espaces de grande dimension sous contraintes budgétaires.
Le papier présente VietNormalizer, une bibliothèque Python open-source et sans dépendance qui normalise le texte vietnamien en convertissant les nombres, dates, devises, acronymes et termes étrangers en formes parlables pour les applications de synthèse vocale et de traitement du langage naturel.
L'article présente la méthode de « dropout », qui consiste à omettre aléatoirement des neurones durant l'entraînement pour prévenir la co-adaptation des détecteurs de caractéristiques et ainsi réduire le surapprentissage, améliorant considérablement les performances de reconnaissance sur divers benchmarks.