BOPIM: Bayesian Optimization for influence maximization on temporal networks

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.

Eric Yanchenko2026-03-11💻 cs

Robustness Over Time: Understanding Adversarial Examples' Effectiveness on Longitudinal Versions of Large Language Models

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.

Yugeng Liu, Tianshuo Cong, Zhengyu Zhao, Michael Backes, Yun Shen, Yang Zhang2026-03-11💻 cs

Characterizations of Monadic Second Order Definable Context-Free Sets of Graphs

Cet article établit une caractérisation des ensembles de graphes à la fois définissables en logique monadique du second ordre avec comptage et contextuels, en démontrant leur équivalence avec des ensembles reconnaissables de largeur arborescente bornée, des ensembles parsables et des images de transductions définissables d'arbres non rangés, grâce à une connexion novatrice entre les résultats de Courcelle et Engelfriet et ceux de Bojanczyk et Pilipczuk.

Radu Iosif, Florian Zuleger2026-03-11💻 cs