3657 articles
Cet article propose une méthode de démarrage à chaud par apprentissage profond qui utilise des réseaux de neurones pour générer des estimations initiales précises pour les problèmes de programmation quadratique, accélérant considérablement l'efficacité de calcul des simulations d'assemblage d'aéronefs au sein des cadres de jumeaux numériques.
Cet article présente un système expert déterministe hors ligne pour l'analyse des causes racines en fonderie d'acier qui emploie une vérification par porte, un juge de réfutation distinct et des contraintes de preuve strictes pour atténuer les hallucinations des modèles de langage de grande taille, proposant finalement un modèle d'autonomie avec intervention humaine où le système suggère des conclusions pour approbation humaine. L'évaluation du système repose sur une analyse de référence qui a été rédigée par un LLM sous la direction de l'auteur et ne constitue pas un rapport d'expert indépendant.
Cet article propose un cadre robuste d'apprentissage par renforcement sur graphes spatio-temporels qui intègre des réseaux d'attention sur graphes et des encodeurs temporels basés sur les Transformers pour permettre aux systèmes de contrôle de signalisation de trafic multi-agents de distinguer efficacement le bruit transitoire des perturbations persistantes, atteignant ainsi un débit supérieur et une récupération plus rapide des défaillances structurelles par rapport aux modèles de référence de l'état de l'art.
Cet article établit que les opérateurs de Bellman distributionnels avec des poids de loi de puissance multi-horizons arbitraires sont des contractions dans la métrique de Wasserstein p-suprémale et préservent la véritable distribution de rendement en tant que point fixe unique, fournissant ainsi un fondement théorique pour l'incorporation de mécanismes de mémoire longue dans l'apprentissage par renforcement distributionnel.
Confidential Pulse est un système qui permet un accès conversationnel sécurisé aux registres gouvernementaux fédérés en reconstruisant les réponses à partir de charges utiles autorisées au sein de canaux Hyperledger Fabric, garantissant ainsi que, bien que le système empêche la divulgation de données hors périmètre, il demeure vulnérable aux fuites d'informations par le biais de la prose générée par le modèle.
Cet article introduit TSLLM-BO, un cadre en deux étapes qui améliore la robustesse et la fidélité structurelle de la prévision de séries temporelles basée sur les LLM en combinant une architecture d'alignement temps-texte avec une récompense composite différentiable et un Élagage de Politique Dynamique (Dynamic Policy Clipping) afin de surmonter les défis de l'application de l'apprentissage par renforcement aux tâches de prédiction continues à long horizon.
Cette étude propose un cadre multi-tâches basé sur l'apprentissage profond qui utilise une fusion de rang par ensemble (Rank-Fusion Ensemble) pour la classification du sexe et un modèle ConvNeXt-Tiny avec une nouvelle stratégie de perte triple (Tri-Loss) pour l'estimation des groupes d'âge chronologique, atteignant une grande précision dans le profilage démographique à partir de radiographies du genou.
Cet article introduit ICU-REACT, un ensemble de données avec un clinicien dans la boucle qui entraîne des modèles de langage de grande taille sur le raisonnement expert en soins intensifs, aboutissant aux modèles Clin-REACT qui démontrent une généralisation supérieure à travers diverses tâches de raisonnement clinique par rapport aux modèles de langage existants, tant médicaux que généralistes.
Cet article présente une architecture parallèle à deux niveaux combinant le parallélisme au niveau des threads et l'exécution distribuée pour accélérer significativement les simulations de trafic SUMO à grande échelle sur des réseaux routiers complexes, atteignant un gain de vitesse allant jusqu'à 13,32× tout en validant la précision de la méthode et en identifiant la synchronisation globale comme le principal goulot d'étranglement de la scalabilité.
Cet article propose un cadre à deux couches qui découple la certification des métadonnées basée sur la blockchain du stockage fragmenté hors chaîne afin de permettre un ajustement fin fédéré de modèles de langage de grande taille, interorganisationnel, de confiance, rentable et vérifiable, sans compromettre la confidentialité des données ni l'intégrité des modèles.