2528 articles
Cet article présente une analyse approfondie de la découpe de réseau (network slicing) dans l'architecture 5G, en mettant l'accent sur ses modèles de profit (implémentation propre et location de ressources) ainsi que sur les défis et perspectives de recherche associés.
En combinant des données représentatives d'Américains avec celles de « Have I Been Pwned », cette étude révèle qu'au moins 82,84 % des adultes aux États-Unis ont vu leurs comptes compromis, avec une moyenne d'au moins trois violations par personne, touchant davantage les femmes, les personnes blanches, d'âge moyen et mieux éduquées.
Cette étude propose un cadre méthodologique combinant l'identification d'instances de demande excédentaire et un modèle de régression de Poisson filtré pour estimer la demande non satisfaite dans les systèmes de transport public, en appliquant cette approche aux données de la Port Authority de Pittsburgh pour corriger les biais liés aux données censurées.
Cette étude réexamine les biais implicites dans le arbitrage de la NBA en utilisant des données de jeu et des rapports des deux dernières minutes, révélant un avantage significatif pour les équipes à domicile (atténué depuis la pandémie) et des préférences individuelles pour certains joueurs, tout en ne trouvant aucune preuve de biais racial ou de défaveur envers des équipes ou des joueurs spécifiques.
Cet article présente BOPIM, une méthode d'optimisation bayésienne conçue pour résoudre le problème de maximisation de l'influence sur des réseaux temporels en surmontant les défis liés à l'espace combinatoire via des noyaux adaptés et une fonction d'acquisition optimisée, offrant ainsi des performances supérieures en vitesse et en précision par rapport aux méthodes existantes tout en permettant pour la première fois de quantifier l'incertitude des ensembles de nœuds sémences optimaux.
Cette étude longitudinale révèle que les mises à jour successives des grands modèles de langage (GPT, Llama, Qwen) n'améliorent pas systématiquement leur robustesse face aux exemples adverses (erreurs de classification, jailbreaks et hallucinations), montrant parfois même une dégradation des performances malgré des améliorations ciblées.
Le papier présente TIMotion, un cadre efficace et performant pour la génération de mouvements humains à deux, qui améliore la modélisation temporelle et interactive grâce à l'injection causale, l'analyse évolutive des rôles et l'amplification des motifs locaux.
Le papier présente VisPoison, un cadre d'attaque par backdoor qui exploite l'empoisonnement des données pour compromettre les modèles de visualisation de données textuelles, permettant aux attaquants de provoquer des fuites de données, des visualisations trompeuses ou des dénis de service avec un taux de réussite supérieur à 90 %.
Le papier présente OWL-TAMP, une approche qui intègre des modèles vision-langage pour générer des contraintes discrètes et continues afin d'améliorer la planification tâche-mouvement dans des environnements ouverts et de résoudre des tâches de manipulation complexes à long terme spécifiées en langage naturel.
Cette étude révèle que, malgré des stratégies d'atténuation, les réponses inexactes et la surcharge cognitive des assistants IA conduisent souvent les ingénieurs logiciels à abandonner leur utilisation, soulignant la nécessité d'une meilleure intégration de ces outils dans les flux de travail.
Cet article propose un cadre d'apprentissage de prompts actif et économe en budget qui améliore l'adaptation des modèles vision-langage aux nouvelles tâches en utilisant un regroupement guidé par les classes et une requête sélective basée sur des seuils adaptatifs, surpassant ainsi les méthodes existantes sur plusieurs jeux de données.
Cette étude propose une taxonomie de neuf « odeurs » de journalisation (log smells) dérivées d'une revue de littérature, en les reliant aux outils existants pour identifier les lacunes actuelles et orienter les futures recherches vers l'amélioration de la qualité du code de journalisation.
Cette étude comparative menée sur 72 participants en réalité mixte conclut que, bien que la complexité des tâches influence la demande de collaboration, la représentation graphique en 3D ne suffit pas à générer de meilleurs résultats collaboratifs que les groupes nominaux.
L'article présente ARSGaussian, une méthode innovante de synthèse de vues nouvelles pour la télédétection aérienne qui intègre des nuages de points LiDAR et des pertes de régularisation géométrique pour éliminer les artefacts visuels et améliorer la précision géométrique, accompagnée de la publication du nouveau jeu de données open-source AIR-LONGYAN.
Cette étude analyse par text-mining 160 directives et déclarations politiques couvrant quatorze secteurs industriels pour évaluer la gouvernance des IA génératives et des grands modèles de langage, en mettant en lumière les défis éthiques et réglementaires tout en proposant des recommandations pour une intégration responsable.
Ce papier présente Kite, un nouveau protocole permettant aux membres des DAO de déléguer, révoquer et redéléguer leur pouvoir de vote de manière entièrement privée, sans révéler l'identité des délégués, tout en garantissant la sécurité via le cadre UC et en démontrant sa faisabilité pratique sur Ethereum.
Ce papier présente les iMarkers, des marqueurs de fiduciation invisibles pour l'œil humain mais détectables par les robots, conçus pour résoudre le problème esthétique des marqueurs traditionnels tout en offrant une grande flexibilité de production et une détection robuste dans divers scénarios robotiques.
Cette étude démontre que les biais de genre dans la perception des managers s'étendent aux systèmes d'IA, les managers masculins étant mieux accueillis que leurs homologues féminins, en particulier lorsque ces derniers ne décernent pas de récompenses.
Cette enquête propose une revue structurée de plus de 200 articles sur la généralisation du Wi-Fi sensing, en classant les techniques de robustesse, en résumant les jeux de données publics et en présentant la plateforme Sensing Dataset Platform (SDP) pour guider les recherches futures.
Cet article présente RS-STE, une nouvelle approche unifiée pour l'édition de texte dans les images de scène qui exploite la synergie intrinsèque avec la reconnaissance de texte via un décodeur parallèle et un apprentissage auto-supervisé cyclique, atteignant ainsi des performances de pointe sans nécessiter de données appariées.