4030 articles
Cet article présente UBET, un cadre de segmentation à un seul essai (one-shot) sans entraînement qui privilégie la construction d'hypothèses de régions fermées avant l'arbitrage d'identité en utilisant des propositions gelées et des preuves analytiques de DINOv2, atteignant des performances de pointe sur divers benchmarks sans nécessiter d'entraînement de modèle.
Cette étude démontre qu'un modèle d'apprentissage profond peut estimer avec précision la fréquence cardiaque au seuil de lactate de 2 mmol·L⁻¹ lors de la course, du cyclisme, de l'aviron et du kayak, surpassant les méthodes traditionnelles dans certains sports spécifiques mais nécessitant une validation propre à chaque discipline en raison d'une précision de généralisation réduite entre les différents sports.
RheumBench est le premier benchmark de rhumatologie basé sur une grille d'évaluation et validé par des spécialistes qui évalue dix LLM et systèmes RAG, révélant que les modèles actuels présentent des écarts de performance substantiels, un excès de confiance systématique et des erreurs d'omission potentiellement graves, soulignant ainsi le besoin critique d'une supervision humaine dans l'aide à la décision clinique.
Cette revue systématique de la littérature analyse le changement de paradigme dans la détection d'objets, passant des architectures convolutionnelles traditionnelles aux modèles basés sur les Transformers et l'apprentissage à partir de peu d'exemples, en soulignant leurs avantages pour simplifier les pipelines de détection et améliorer l'efficacité des données tout en abordant les défis persistants tels que le coût computationnel et la détection de petits objets grâce à des innovations architecturales et des stratégies de pré-entraînement avancées.
Cette étude préenregistrée révèle que les métadonnées de provenance dans les compétences d'agents n'améliorent pas de manière fiable l'utilité des tâches au-delà d'un guidage ordinaire apparié, suggérant que leur valeur est dépendante du contexte et principalement réalisée uniquement lorsqu'elles modifient les actions exécutables plutôt qu'à travers les seuls scores de compétences groupés.
Policy-TD améliore la fiabilité des petits modèles de langage gelés en distillant les états de trace audités par un enseignant dans un contrôleur d'exécution qui intervient pour corriger les échecs d'engagement de réponse, améliorant ainsi considérablement la précision interne et lors des tests de résistance sans dégrader les performances ni créer de nouvelles capacités.
Cet article présente TOAIAF, un plan de contrôle d'assurance IA au moment de l'exécution comprenant une procédure de décision en trois étapes et sept composants de gouvernance qui surpasse de manière significative les systèmes de référence dans la détection des violations de sécurité, des injections de requêtes (prompt injections) et des risques de confidentialité pour l'IA agentique sur appareil, tout en signalant de manière transparente les limites expérimentales et en faisant correspondre son cadre aux principales normes internationales de sécurité de l'IA.
Cette étude propose un système d'apprentissage profond basé sur des drones utilisant un algorithme Mask R-CNN affiné pour détecter les victimes dérivantes lors de crues éclair et estimer leurs trajectoires à l'aide des métadonnées GPS, atteignant un indice de confiance de détection de plus de 90 % afin d'améliorer les opérations de recherche et de sauvetage.
Cet article présente SpikeGate, un garde-fou de réseau de neurones à impulsions (Spiking Neural Network) piloté par les événements et à ultra-basse consommation, qui réduit considérablement la consommation d'énergie pour l'inférence continue de modèles de langage de petite taille (Small Language Models) sur l'appareil en supprimant les signaux de fond routiniers afin de ne cadencer l'exécution du transformateur que lors de la détection d'anomalies.
Cette étude démontre que l'incorporation de relations statistiques dans l'encodage de caractéristiques quantiques pour les machines à vecteurs de support quantiques peut influencer la performance de la classification binaire, mais souligne que les stratégies optimales nécessitent de trouver un équilibre entre la précision prédictive et la complexité du circuit plutôt que de simplement augmenter l'intrication.