4157 articles
Cet article présente et évalue un pipeline hybride hors ligne pour la désidentification de dossiers cliniques en portugais brésilien utilisant des modèles de langage locaux à poids ouverts et des filtres basés sur des règles, démontrant un rappel élevé et une stabilité sur du matériel modeste sans nécessiter de réglage fin spécifique à la tâche.
Cet article propose et évalue un cadre OODA agentique qui exploite des systèmes multi-agents avec une validation par l'humain dans la boucle pour surmonter la variabilité et les problèmes de confiance des LLM standards, démontrant une cohérence et une fiabilité de sortie nettement plus élevées pour un support à la décision clinique transparent et critique en matière de sécurité dans les soins d'urgence pour les AVC.
Ce document présente MMANet, un cadre d'apprentissage profond exclusivement vidéo et respectueux de la vie privée qui exploite l'alignement temporel micro-macro pour estimer de manière robuste la sévérité de la dépression à travers divers ensembles de données culturelles, atteignant une grande précision sans dépendre des modalités audio et textuelles bruyantes ou intrusives.
Cet article propose une méthode de classification des marques de fusion pour l'enquête sur les incendies d'origine électrique qui exploite un transformateur Swin et un réseau pyramidal de caractéristiques bidirectionnel avec une fusion d'attention trans-échelle directionnelle afin d'atteindre une précision et une robustesse supérieures contre la dégradation des images par rapport aux approches basées sur les CNN existantes.
Cet article présente FactLink, le premier benchmark pour la tâche de classification du rôle de lien de vérification des faits (Fact-checking Link Role Classification), qui comprend deux ensembles de données multilingues de liens annotés et démontre que, si les transformeurs affinés excellent dans les contextes riches en données, les modèles de langage à grande échelle en mode few-shot offrent une robustesse supérieure dans les scénarios à faibles ressources et transdomaines.
Cet article présente OPERA, un modèle d'exécution tolérant aux fautes byzantines qui étend la concurrence entre les nœuds via la réplication partielle et le parallélisme inter-nœuds, réduisant considérablement les coûts d'exécution et augmentant le débit dans les blockchains sans compromettre la sécurité ou la sémantique des applications.
Cet article propose un cadre d'apprentissage par renforcement sur graphe sensible à la tâche qui compresse les contextes de raisonnement réutilisables dans les LLM boîtes noires en entraînant une politique légère pour prendre des décisions extractives de conservation ou d'abandon sur des unités de raisonnement structurées en graphes, réalisant ainsi des économies significatives sur le coût d'entrée tout en préservant la précision du raisonnement.
L'article présente EquiEwald, un nouveau potentiel interatomique neuronal équivariant sous SO(3) qui étend la sommation d'Ewald à l'espace réciproque pour capturer efficacement les interactions électrostatiques et de polarisation à longue portée tout en préservant l'information dépendante de l'orientation, améliorant ainsi considérablement la précision et l'efficacité des données dans les modèles d'apprentissage automatique pour les systèmes périodiques et apériodiques.
Cet article propose une théorie stochastique multi-échelle fondée sur la physique hors équilibre pour expliquer l'origine mécaniste des lois d'échelle des modèles de langage, modélisant l'entraînement comme une marche aléatoire biaisée dépendante de l'échelle qui produit des lois de puissance dérivées analytiquement pour la perte en fonction des données et de la taille du modèle, tout en identifiant une dynamique bifurquée à deux phases de compression de contexte et d'absorption de frontière.
Cet article présente le Knowledge-Constrained Reasoner, une nouvelle approche qui emploie une phase d'alignement unique pour internaliser des capacités de raisonnement essentielles dans les grands modèles de langage, assurant ainsi l'utilisation rigoureuse et correcte des connaissances externes pour la réponse aux questions et comblant la fiabilité des systèmes experts traditionnels avec la flexibilité de l'apprentissage continu non paramétrique.