3657 articles
Cet article propose un cadre appelé « Organisation par Conséquence » pour définir le cycle de vie et l'identité des structures internes dans les systèmes d'apprentissage en se basant sur leur impact causal sur les résultats futurs, démontrant qu'une telle organisation persiste, se transfère et meurt de manières qui ne peuvent être capturées par la seule similitude représentationnelle ou l'alignement d'opérateurs.
Cette étude établit un cadre d'évaluation reproductible et protégé contre les fuites de données pour la classification de l'usure des outils CNC à l'aide du jeu de données de fraisage d'UC Berkeley, démontrant qu'un modèle de régression logistique simple et interprétable surpasse les ensembles complexes lorsqu'il est correctement groupé par cas d'outil tout en s'alignant sur les indicateurs physiques d'usure.
Cet article introduit MHOI-Miner, un algorithme efficace qui extrait les ensembles d'articles maximaux à haute occupation en employant une nouvelle borne supérieure couplée à la taille, une anticipation de type union-tête et queue (headunion-tail), ainsi que des techniques de subsomption afin de réduire considérablement l'espace de recherche et de surpasser les méthodes existantes sur la plupart des jeux de données.
Cet article présente une étude empirique transdomaine évaluant quatre méthodes de génération de candidats lexicaux à travers 34 jeux de données, révélant que BM25 offre une performance stable tandis que la recherche par n-grammes de caractères sert de base robuste sans configuration, permettant finalement une mise en correspondance de graphes de connaissances scalable avec une réduction de l'espace de recherche de plus de 99 %.
Cet article démontre que si la consolidation de l'historique des conversations directement dans les poids d'un modèle de langage améliore le rappel factuel sans archives externes, le modèle ne parvient pas à suivre de manière fiable la provenance des locuteurs, nécessitant ainsi la conservation d'une archive externe pour attribuer l'information avec précision.
Cet article propose un cadre fondé sur l'optimisation qui intègre la sélection de caractéristiques, le réglage des hyperparamètres et l'apprentissage profond pour relever des défis tels que le déséquilibre des classes et les données de haute dimension afin d'assurer une détection de la fraude par carte de crédit précise et efficace.
Cet article présente un système de reconnaissance d'images léger basé sur YOLOv8n pour la détection, la classification et le comptage des déchets de surface dans l'eau, démontrant que bien que l'approche soit réalisable avec des données limitées et des ressources CPU restreintes, sa performance actuelle modeste (mAP50 de 0,244) souligne la nécessité d'élargir les ensembles de données, d'affiner les étiquettes et de prolonger l'entraînement pour atteindre une utilité pratique.
Cet article résout le paradoxe de la dégradation des connaissances de domaine dans les architectures de type Joint-Embedding Predictive Architectures en prouvant que les encodeurs à entropie maximale sont théoriquement optimaux et que les contraintes physiques doivent être appliquées au décodeur plutôt qu'à l'encodeur, tout en exposant simultanément un mode de défaillance critique où la planification latente hors ligne peut être facilement exploitée par des modèles qui ne supportent pas réellement le contrôle en aval.
Cet article introduit le DEGP (Decoupled Entropic-Geometric Planning), un cadre qui traite le compromis entre la perception robuste et l'optimisation de trajectoire stable dans la planification en espace latent en combinant une séparation architecturale avec des bornes spectrales analytiques et une télémétrie d'exécution pour définir les limites opérationnelles de la prédiction conditionnelle au contact.
Cet article rapporte que malgré des taux d'approbation élevés et aucun échec de test, un réexamen systématique de 22 benchmarks d'agents générés par IA a révélé des défauts universels — incluant des tâches ignorées, des scores mémorisés et des fuites de publication — qui ont été manqués tant par les tests automatisés que par les examinateurs humains, soulignant des failles critiques dans les protocoles actuels de benchmarking et d'évaluation des agents.