4157 articles
Ce document présente DTap, la première plateforme de red-teaming contrôlable et interactive pour les agents IA, qui comprend un agent de red-teaming autonome (DTap-Red) et un benchmark à grande échelle (DTap-Bench) afin d'évaluer et d'exposer systématiquement les vulnérabilités de sécurité à travers 14 domaines du monde réel.
Cet article présente un cadre évolutif pour l'opérationnalisation d'une IA de confiance dans le secteur de la santé en utilisant un arbre de décision d'analyse d'erreurs et des innovations méthodologiques inédites afin de mettre en lumière les défaillances de sous-groupes cachés et d'atténuer les biais, traduisant ainsi les principes abstraits d'équité en objectifs d'ingénierie vérifiables qui garantissent la conformité avec des réglementations telles que la loi sur l'IA de l'UE.
Cette revue systématique de 154 études (2021–2025) révèle que, bien que l'IA pour la sécurité de l'IoT/IIoT soit fortement axée sur la détection d'intrusions, la recherche actuelle manque de validité opérationnelle en raison de la rareté des étiquettes et des contraintes de ressources, nécessitant un passage vers des protocols de déploiement standardisés, sensibles à la dérive et explicables.
Cet article introduit la méthode de l'Annotation d'Élément de Processus par Décomposition-Recomposition sensible aux contraintes (DR-PEA) afin d'atténuer l'effondrement sémantique des processus dans les grands modèles de langage en transformant le texte de processus non structuré en données structurées standardisées via un pipeline à trois étapes de décomposition sémantique, de recomposition de processus et de mise en correspondance des contraintes, atteignant ainsi une performance supérieure aux bases de référence existantes.
Cette étude compare la précision de la classification et la stabilité de l'explicabilité des modèles DenseNet121 et Vision Transformer sur des images d'histopathologie mammaire, révélant un compromis critique où DenseNet121 atteint une précision et des explications localisées plus élevées, tandis que le Vision Transformer démontre une plus grande robustesse des explications sous des perturbations d'entrée.
Cette étude présente un cadre d'apprentissage profond en trois phases qui combine la prédiction du pH basée sur LSTM avec un contrôle par apprentissage par renforcement profond, validé par rapport à des profils de sols africains à l'aide de données synthétiques, afin de fournir une solution évolutive et transférable pour optimiser la réhabilitation minière dans les régions d'Afrique subsaharienne caractérisées par une rareté des données.
Cette étude démontre que l'agrégation basée sur les Deep Sets exploitant l'auto-attention surpasse les méthodes traditionnelles pour la modélisation de données d'activité physique portées de longueur variable et à haute fréquence, tout en suggérant que des stratégies d'agrégation plus simples demeurent suffisantes pour des mesures plus stables et à basse fréquence.
Cet article présente AdapNet-IDS, un cadre d'apprentissage profond auto-adaptatif et interprétable qui intègre le BiLSTM, l'auto-attention et la consolidation de poids élastique (Elastic Weight Consolidation) pour parvenir à une détection d'intrusion de haute précision et en temps réel, dotée de capacités d'apprentissage continu et d'une prise de décision transparente à travers divers environnements réseau.
Cet article propose FedMOJO, un cadre collaboratif en boucle fermée qui intègre l'apprentissage de représentations de bas rang, la confidentialité différentielle et l'optimisation de l'équité-confidentialité pour équilibrer efficacement l'utilité, l'équité de groupe et la préservation de la confidentialité dans la classification de textes fédérée sous des données non-IID.
Cet article propose un cadre d'apprentissage profond utilisant des modèles CNN, RNN et LSTM pour détecter les défaillances au niveau des nœuds dans les réseaux de capteurs sans fil basés sur les caractéristiques temporelles, validé par des mesures de performance et visualisé via une interface de cartographie graphique en temps réel.