7906 articles
Cette étude révèle que les croyances d'efficacité agissent comme des ancres cognitives persistantes favorisant un optimisme excessif envers l'IA, influençant les décisions de délégation de manière asymétrique selon le contexte, mais ayant un impact plus faible sur les performances réelles de l'équipe humain-IA, ce qui remet en question les approches centrées sur la transparence.
Cette étude modélise et analyse la détection précoce de biomarqueurs cancéreux via des nanomachines intravasculaires, démontrant que la prise en compte des réalités physiologiques comme les écoulements non uniformes et les interactions avec les globules rouges réduit l'efficacité de détection, bien que les capillaires maintiennent les performances les plus élevées.
Le papier présente FutureVLA, une nouvelle architecture de prédiction visuomotrice conjointe qui améliore les modèles Vision-Language-Action en découplant les informations visuelles et motrices pour capturer la continuité temporelle et les contraintes environnementales, permettant ainsi une meilleure anticipation des actions robotiques.
Le cadre d'apprentissage par renforcement méta MAVEN permet à un quadrotor unique de naviguer de manière agile et robuste en temps réel face à des variations dynamiques extrêmes, telles que des changements de masse importants ou la perte d'un rotor, en inférant les dynamiques du système via un encodeur contextuel prédictif et en réalisant un transfert sim-to-real réussi.
Ce papier présente ASTER, un cadre d'apprentissage par renforcement robuste qui, grâce à une stratégie d'initialisation états hybrides (HDSS), permet pour la première fois le vol inversé autonome d'un quadrotor avec charge suspendue, en surmontant les défis des dynamiques hybrides non lisses et de la rareté des récompenses.
Cet article démontre que le modèle de mouvement conjoint des amoebots permet une reconfiguration universelle sublinéaire en temps vers une structure canonique, résolvant ainsi une question ouverte sur l'efficacité de la réorganisation sans hypothèses auxiliaires.
Cet article présente le jeu de données eLasmobranc, une collection publique d'images validées par des experts de sept espèces d'élasmobranches de la Méditerranée espagnole, acquises hors de l'eau pour faciliter la reconnaissance fine des espèces et le suivi de la biodiversité grâce à l'intelligence artificielle.
Ce papier présente Just-in-Time (JiT), un cadre d'accélération sans entraînement qui exploite la redondance spatiale des Transformers de diffusion via une sélection dynamique de tokens d'ancrage et un micro-flot déterministe, permettant d'atteindre une accélération jusqu'à 7 fois sur le modèle FLUX.1-dev avec une perte de performance négligeable.
Le papier présente Pneuma-Seeker, un système qui aligne les agents d'IA sur les besoins humains en matière de données relationnelles en représentant l'intention de l'utilisateur sous forme de schéma relationnel évolutif et en l'affinant itérativement pour générer des réponses précises et inspectables, surpassant ainsi les approches basées sur les LLM traditionnels.
Cette étude propose un système de stéréophotométrie basé sur des événements utilisant une source lumineuse rotative et un réseau neuronal léger par pixel pour estimer les normales de surface sans calibration, surpassant les méthodes existantes en précision et en robustesse face à l'éclairage ambiant et aux spécularités.
Le papier présente AttriGuard, un mécanisme de défense innovant qui protège les agents LLM contre les injections de prompts indirectes en utilisant l'attribution causale et des tests contrefactuels pour distinguer les appels d'outils légitimes de ceux manipulés par des données non fiables.
Le papier présente CodePercept, une approche qui améliore la perception visuelle des modèles de langage multimodaux dans les domaines STEM en utilisant l'exécution de code comme médium perceptuel, soutenue par un nouveau jeu de données ICC-1M et un benchmark d'évaluation STEM2Code-Eval.
Le papier présente RAGPerf, un cadre de référence open-source conçu pour évaluer de manière modulaire et automatisée les performances et la qualité des systèmes de génération augmentée par la récupération (RAG) en simulant des charges de travail réalistes et en mesurant des métriques d'efficacité et de précision.
Le papier présente Aceso, une solution de placement adaptatif de microservices conçue pour les PME qui optimise simultanément les émissions de carbone, les coûts et la latence dans des infrastructures régionales limitées, réduisant ainsi les émissions de carbone de 37,4 % et les coûts opérationnels de 3,6 % par rapport aux déploiements statiques tout en respectant les objectifs de service.
Cette étude examine les perceptions et pratiques de 25 enseignants du primaire et du secondaire lors d'un atelier sur la génération de grilles d'évaluation par l'IA, révélant que bien qu'ils apprécient les ébauches structurées offertes par l'outil, ils insistent sur la nécessité d'une révision humaine pour corriger les inexactitudes et maintenir le contrôle pédagogique.
Cette étude propose une analyse de l'apprentissage fédéré incrémental avec des modèles LSTM pour améliorer la résilience des systèmes de détection d'intrusion dans les réseaux IoT face au dérive conceptuelle, en démontrant que les méthodes d'apprentissage cumulatif et représentatif offrent les performances les plus stables tout en respectant les contraintes de ressources.
Ce papier propose la Guidance par Dégradation de Condition (CDG), une méthode légère qui remplace le prompt nul par une condition sémantiquement dégradée pour améliorer la précision des modèles de diffusion dans les tâches de composition complexes.
Cet article présente LGA-RCM-YOLO, un modèle d'instance de segmentation des interfaces de phase basé sur YOLO11m et entraîné sur le jeu de données CTG 2.0, qui permet une surveillance visuelle fiable et en temps réel des processus chimiques en laboratoire, notamment dans des verreries transparentes.
En analysant la dynamique d'optimisation du Flow Matching sous l'angle d'une forme quadratique régie par un noyau NTK, cette étude propose l'alignement de la granularité sémantique (SGA) pour atténuer les conflits de gradients et améliorer l'efficacité de la synthèse d'images texte-à-image.
Cette étude remet en question la fiabilité du benchmark EVMbench en démontrant que les agents d'IA actuels, dont les performances varient selon la configuration et sont limitées par des risques de contamination des données, ne peuvent pas encore remplacer l'audit humain mais doivent être intégrés dans un flux de travail collaboratif pour la sécurité des contrats intelligents.