361 articles
Cet article présente le FS-HNN, une architecture de réseau de neurones qui décompose l'hamiltonien en modes rapides et lents entraînés sur différentes échelles de temps, permettant ainsi de capturer avec succès la dynamique multi-échelles et d'améliorer l'extrapolation à long terme pour des systèmes gouvernés par des EDO et des EDP.
Ce papier présente CLAIRE, un cadre d'apprentissage profond hybride pour la détection de défauts dans la fabrication intelligente, qui combine un autoencodeur pour l'apprentissage de représentations latentes compactes et une classification supervisée, le tout renforcé par une interprétabilité basée sur la théorie des jeux pour identifier les caractéristiques clés.
Cet article introduit le concept de « corridors de barrières de contrôle » qui unifie les fonctions de barrière de contrôle et les corridors de mouvement sûrs en convertissant les premières en régions de but locales pour permettre une sélection de cibles persistante et vérifiablement sûre lors de la navigation autonome dans des environnements inconnus.
Cet article propose une commande prédictive min-max adaptative basée sur les données pour les systèmes linéaires à temps variant, qui met à jour en ligne un gain de retour d'état via un programme semi-défini pour garantir la stabilité exponentielle et le respect des contraintes, même en présence de bruit.
Cet article propose une architecture hybride numérique-analogique pragmatique pour les réseaux MU-MIMO à base de surfaces réfléchissantes intelligentes (RIS) alimentées par des antennes actives, intégrant un codebook de faisceaux plat et un précodage de baseband compatible 3GPP pour optimiser les performances dans des environnements mmWave multipath complexes.
Cet article présente un cadre de modélisation dynamique adaptative et consciente de l'incertitude pour les robots sous-marins à bras manipulateur, qui intègre des contraintes de cohérence physique via une estimation sur horizon glissant et démontre une convergence rapide et une précision accrue lors d'expériences sur un BlueROV2.
Ce papier propose une méthode novatrice pour estimer efficacement les graphes d'interférence dans les réseaux de capteurs sans fil en intégrant cette tâche à une inondation concurrente via le contrôle de la puissance d'émission, permettant ainsi d'économiser des ressources et de faciliter l'utilisation d'algorithmes de planification existants sur des dispositifs commerciaux.
Cet article propose un cadre d'apprentissage distribué appelé DDKL-PT, permettant à des agents d'atteindre un consensus sur un modèle global de dynamique via des réseaux de neurones profonds dans le cadre de l'opérateur de Koopman, sans partager leurs trajectoires d'entraînement privées, tout en garantissant une précision suffisante pour le contrôle prédictif.
Cet article propose une méthode de stabilisation robuste pour des équations aux dérivées partielles hyperboliques linéaires à paramètres saillants de Markov, en combinant la méthode de backstepping avec des opérateurs neuronaux pour approximer les noyaux de contrôle, garantissant ainsi la stabilité exponentielle en moyenne quadratique malgré les incertitudes et les erreurs d'approximation, comme démontré par des simulations sur le contrôle du trafic autoroutier.
Le papier présente SHIELD, un cadre de détection de ransomware indépendant de l'hôte qui exploite des caractéristiques profondes du système de fichiers au niveau du contrôleur de stockage pour identifier et arrêter les menaces avec une grande précision et une faible latence, même face à des variantes inconnues.
Ce papier présente le Geometric SSM, une architecture de modèle d'espace d'état qui contredit l'idée reçue selon laquelle la sélectivité nécessite une dynamique non linéaire en démontrant que des systèmes linéaires invariants dans le temps peuvent atteindre cette sélectivité grâce à des principes de contrôle géométrique, surpassant ainsi Mamba sur des tâches complexes tout en conservant une efficacité de calcul optimale.
Cet article propose un nouvel algorithme d'apprentissage par renforcement multi-agents qui améliore l'efficacité de l'échantillonnage en combinant un critique centralisé décomposé, un apprentissage par ensemble décentralisé guidé par l'exès de kurtosis pour une exploration sélective, et une formation des acteurs mixant des échantillons on-policy et off-policy.
Cet article établit que la semi-contractibilité dans l'espace observable est une condition suffisante pour l'indistinguabilité de structures de réseaux non linéaires à partir de mesures partielles, en démontrant notamment ce phénomène sur des réseaux d'oscillateurs de Kuramoto.
Cet article étudie les limites de l'identification unique de la structure des systèmes linéaires en réseau à partir de mesures partielles, en établissant un lien entre l'espace des réseaux compatibles et le noyau de la matrice d'observabilité, tout en démontrant qu'une observation d'environ 6 % des nœuds permet de classer correctement 99 % des arêtes dans divers modèles aléatoires.
Cet article présente une méthode légère et sans modèle pour la détection en temps réel du patinage et l'estimation du coefficient de friction pneu-chaussée en course autonome, utilisant uniquement des données IMU, LiDAR et de commande, et démontrant une grande précision par rapport aux mesures de référence sur un véhicule de course à l'échelle 1:10.
Cet article propose un cadre de gestion des conflits entre xApps dans les réseaux O-RAN, combinant l'apprentissage automatique explicable et l'inférence causale pour identifier les interactions conflictuelles et quantifier leur impact sur les indicateurs de performance clés.
Cet article propose une méthode d'optimisation parcimonieuse multi-période qui identifie de manière proactive les sources de défaillance persistantes responsables des blackouts dans les réseaux électriques, en intégrant des contraintes de persistance et des heuristiques inspirées de la théorie des circuits pour assurer une évolutivité efficace sur de grands systèmes.
Cet article présente et valide expérimentalement un cadre pratique utilisant une matrice conductrice d'amplitude et de phase pour émuler des cibles multiples avec des profils arbitraires, permettant ainsi le test efficace des stations de base ISAC à grande échelle dans des environnements de laboratoire contrôlés.
Cet article propose un cadre de contrôle flou guidé par les sémantiques, couplant des modèles de langage (LLM) et une communication linguistique pour permettre une couverture coopérative robuste et efficace de robots sous-marins dans des environnements incertains et sans GPS.
Cet article introduit deux nouveaux modèles de frottement FrBD basés sur les éléments de Maxwell et de Kelvin-Voigt généralisés, démontrant leur bornitude et leur passivité pour toute paramétrisation physique, et illustrant leur application à la conception de contrôle en robotique.