3962 articles
Cette étude présente un modèle de réseau de neurones convolutifs personnalisé qui atteint une précision de test de 88 % dans la classification des trois genres de la musique sacrée éthiopienne de Saint Yared (Qum Zema) en convertissant 1 555 segments audio en images de spectrogrammes, surpassant ainsi des architectures établies telles que ResNet, VGGNet et AlexNet.
Cet article introduit un hypergraphe compositionnel hiérarchique (HCH) qui encode la structure des documents à travers des couches ordonnées de jetons, de phrases et de paragraphes, démontrant que la combinaison de ces caractéristiques structurelles avec le TF–IDF standard produit des améliorations statistiquement significatives de la précision de la classification de texte et du macro-F1 par rapport aux seuls modèles lexicaux de référence.
Le document présente CauCity-WM, un modèle de monde génératif causal qui unifie la prévision urbaine, l'estimation contrefactuelle et la prise de décision sensible au risque en employant un processus de diffusion structurelle à mondes jumeaux pour générer des futurs factuels et contrefactuels cohérents via un bruit exogène abduit.
Cette étude démontre qu'un flux de travail d'apprentissage automatique d'ensemble interprétable appliqué aux données de Grand Chelem de Novak Djokovic atteint non seulement une grande précision prédictive pour les résultats des sets, mais révèle également des indicateurs de performance spécifiques au joueur, tels que les retours de revers, qui sont souvent négligés par les modèles individuels.
VectorLLM++ est un grand modèle de langage multimodal unifié de prédiction du prochain jeton qui surmonte la rareté des données et l'absence de sorties vectorielles structurées en introduisant de nouveaux tokeniseurs pour les coordonnées et les masques, lui permettant ainsi de surpasser les modèles spécialisés sur sept tâches diverses de perception de télédétection et de cartographie vectorielle.
Cet article présente et évalue une implémentation C++20 de haute performance d'algorithmes d'agrégation robustes aux fautes byzantines (Krum, Multi-Krum, Moyenne Tronquée et Médiane) pour l'Apprentissage Fédéré, démontrant, par des vérifications de correction rigoureuses et des tests de performance, que la combinaison d'hypothèses byzantines explicites avec une conception de systèmes natifs numériquement défensifs accélère considérablement l'agrégation tout en maintenant la robustesse face aux mises à jour adverses.
Cet article propose et valide une architecture de confiance zéro à déclenchement par politique pour l'apprentissage fédéré qui découple l'authentification réseau de l'influence sur le modèle en liant les identités à des jetons signés, en imposant des baux d'enrôlement stricts avec des nonces cryptographiques, et en testant rigoureusement contre 22 scénarios adverses pour garantir que seuls des participants autorisés, récents et non révoqués puissent influencer le modèle global.
Cette revue systématique distingue le routage adaptatif de l'apprentissage récursif dans les architectures de mélange d'experts (MoE) afin de proposer le cadre d'apprentissage récursif adaptatif et récursif (RARL), qui synthétise la littérature actuelle sur le calcul dynamique et la spécialisation des experts tout en traçant un programme de recherche pour relever des défis tels que la stabilité du routage et l'allocation intelligente sous contraintes de ressources.
Cette étude démontre, à travers des simulations contrôlées et une analyse secondaire de références réelles, que l'utilisation de divisions aléatoires fusionnées entre entraînement et test dans la prédiction de défauts logiciels produit des estimations de performance systématiquement optimistes par rapport aux méthodes de validation tenant compte des projets, soulignant ainsi le besoin critique de protocoles d'évaluation respectant les limites des projets.
Cette étude présente un cadre d'IA de confiance pour la prévision des épidémies de dengue qui intègre un Transformateur de Fusion Temporelle avec une estimation probabiliste de l'incertitude, une explicabilité intrinsèque et une stratification des risques basée sur des règles afin de surpasser les modèles de référence et de soutenir la prise de décision en santé publique.