3900 articles
Cette étude développe un système d'apprentissage automatique utilisant un ensemble de données de fabrication de Thales pour prédire l'efficacité de la fabrication à trois classes, atteignant jusqu'à 100 % de précision avec un classificateur de Gradient Boosting et déployant la solution via un tableau de bord interactif Streamlit.
Cette étude pilote démontre que pour les petits modèles de langage à poids ouverts (1,2 à 9,2 milliards de paramètres) appliqués à des tâches médicales et psychiatriques, l'extraction des probabilités de jetons internes est une méthode nettement plus fiable pour la détection d'erreurs que de se fier à la confiance verbalisée des modèles, particulièrement pour les plus petits modèles où la confiance verbalisée se comporte au niveau du hasard.
Cet article introduit HRT-LI, un index appris dynamique certifié pour les clés de chaînes hiérarchiques qui maintient des garanties strictes d'erreur de rang en couplant un modèle prédictif gelé avec un mécanisme de correction basé sur un registre, validé par des expériences approfondies sur des centaines de millions de chaînes réelles.
Cette étude par vignette synthétique démontre que, bien que l'ajout d'une instruction de sensibilisation à la sécurité aux petits modèles de langage à poids ouverts puisse réduire considérablement l'omission de facteurs de risque critiques dans la synthèse de notes psychiatriques pour certains modèles, cela crée souvent un compromis en augmentant l'omission de détails cliniques de routine, suggérant que de telles interventions de sécurité doivent être validées par modèle plutôt que supposées être universellement efficaces.
Cette étude présente un tableau de bord Streamlit interactif et entièrement déployé qui utilise un classificateur XGBoost entraîné sur 180 519 enregistrements logistiques de DataCo Global pour prédire les risques de retard de livraison avec une précision de 79,89 %, permettant ainsi des décisions opérationnelles proactives dans l'expédition, la surveillance régionale et la communication client.
Cet article présente xLaDe, un cadre pour l'écosystème Lean 4 conçu pour assurer la reproductibilité et la durabilité à long terme des mathématiques formalisées en enregistrant les métadonnées de la chaîne d'outils et en gérant les environnements expérimentaux sans modifier le code source, répondant ainsi aux défis posés par l'évolution rapide du langage.
Cet article démontre que le remplacement de la confiance verbalisée par une politique d'abstention basée sur la probabilité des jetons et l'ajustement budgétaire élimine causalement un effet spécifique de dégradation de la précision observé dans le modèle llama3.2:1b, mais ne parvient pas à généraliser ce bénéfice à d'autres petits modèles aux poids ouverts, indiquant que de tels correctifs sont spécifiques au modèle et qu'une abstention à budget fixe peut rester globalement préjudiciable même avec un ciblage amélioré.
Cette étude propose un cadre de Jumeau Numérique explicable qui intègre l'apprentissage automatique, la simulation contrefactuelle et l'optimisation sensible aux coûts pour modéliser la dynamique de la pauvreté multidimensionnelle dans la communauté semi-urbaine d'Isolu au Nigeria, démontrant que les interventions politiques multiples ciblées et spécifiques à chaque groupe sont plus efficaces que les filets de sécurité uniformes pour une gouvernance intelligente de la pauvreté.
Cet article présente un cadre de test multimodal qui découple la perception du contrôle en convertissant les entrées photoréalistes en dessins au trait abstraits et en cartes sémantiques, validés par un nouveau simulateur ouvert qui fait le pont entre une fidélité de niveau entraînement rapide et une émulation rigoureuse de micrologiciel au niveau registre pour exposer des défauts invisibles à la simulation standard.
Cet article propose un modèle de filtrage collaboratif hybride adaptatif (AHCF) qui intègre la factorisation de matrice hors ligne et la modélisation thématique à un mécanisme de partitionnement adaptatif en ligne afin de réduire considérablement le temps de réentraînement tout en maintenant une précision de prédiction compétitive pour les systèmes de recommandation à grande échelle et en temps réel.