4157 articles
Cette enquête systématise le paysage fragmenté de la recherche autonome en introduisant un cadre multi-axes pour 56 systèmes et la fiabilité de leurs preuves, révélant un écart critique entre la capacité à générer des artefacts de recherche et l'absence de mécanismes de vérification robustes pour les défendre avant leur publication.
Cet article présente MOGA-NAS, un algorithme évolutionnaire multi-objectif qui équilibre efficacement la performance prédictive et la compacité du modèle pour la classification de données tabulaires cliniques en maximisant simultanément les scores F1 et en minimisant le nombre de paramètres, ce qui permet d'obtenir des modèles nettement plus petits avec une précision supérieure ou comparable sur cinq références publiques.
Ce document propose un schéma de sécurité pour l'apprentissage fédéré qui combine le chiffrement homomorphe de seuil Paillier avec un mécanisme de déchiffrement sélectif basé sur la qualité des données et des signatures ECDSA afin de défendre efficacement contre les attaques par inférence et par falsification tout en améliorant l'efficacité de l'entraînement d'environ 10 %.
Cet article présente un cadre d'apprentissage profond hybride qui intègre des couches CNN, Transformer et BiLSTM avec une fusion de caractéristiques multiples pour atteindre des performances de reconnaissance des émotions de la parole de pointe sur cinq ensembles de données de référence, démontrant une généralisation robuste et des améliorations de précision significatives par rapport aux bases existantes.
Cette étude propose le framework StackPip, une approche d'apprentissage d'ensemble hybride utilisant un classificateur de type Stacking sur l'ensemble de données SDSS DR-17, qui a atteint une précision de 98 % dans la classification des objets célestes en galaxies, étoiles et quasars, surpassant divers modèles d'apprentissage automatique individuels.
L'article propose BayesMem-CD, un cadre bayésien basé sur la mémoire qui intègre l'inférence probabiliste à une régularisation temporelle pour parvenir à une détection de communautés dynamique sensible à l'incertitude, équilibrant efficacement la stabilité face au bruit avec la sensibilité aux changements structurels réels.
Le document présente AraCoT-Agent, un cadre qui distille les capacités de raisonnement structuré dans les modèles arabes à l'aide d'un ensemble de données filtrées de haute qualité (AraCoT) et d'un objectif d'entraînement pondéré par récompense, atteignant une amélioration relative de 55,7 % sur le nouvel AraAgent-Bench et réduisant considérablement l'écart de raisonnement entre les LLM arabes et anglais.
Le papier propose CoDeR, un cadre d'apprentissage de représentation de dégradation continue qui intègre un encodeur Transformer couplé à double axe et un module d'apprentissage contrastif sensible au temps afin de surmonter les limites des représentations fragmentées des modèles d'apprentissage profond existants, atteignant ainsi des prédictions plus précises de la durée de vie utile résiduelle pour les turboréacteurs.
Cette revue systématique évalue l'adéquation des réseaux de Kolmogorov-Arnold (KAN) pour l'analyse de séries temporelles, concluant que bien qu'ils excellent dans la prévision interprétable à horizon court avec des motifs fluides à travers divers domaines, leur application actuelle est limitée par des preuves hétérogènes, des difficultés à gérer les dépendances à longue portée et les changements de régime, ainsi qu'un besoin de bancs d'essai standardisés et d'une validation rigoureuse de l'interprétabilité.
Cet article présente GRAD-Net, un cadre d'apprentissage profond unifié guidé par la pathologie qui intègre des mécanismes d'attention sensibles aux lésions et une agrégation de caractéristiques multi-échelles pour atteindre une précision et une interprétabilité clinique de pointe dans le classement automatisé de la rétinopathie diabétique.