3657 articles
Le papier propose RGDRec, un cadre de recommandation sociale qui atténue l'impact négatif des connexions sociales bruitées en estimant la fiabilité des relations pour guider le débruitage stochastique de graphes et en employant l'apprentissage contrastif cross-domaine pour aligner les représentations sociales et d'interaction, améliorant ainsi la performance et la robustesse de la recommandation.
Cette étude synthétise systématiquement les méthodologies de données, d'algorithmes, génératives et d'apprentissage auto-supervisé pour la détection d'anomalies sous un déséquilibre de classes extrême à travers cinq secteurs à enjeux élevés, tout en exposant de manière critique les pièges d'évaluation et en esquissant les défis clés pour guider la recherche future.
Cette étude évalue quatre modèles d'apprentissage profond pour l'identification de races de chiens sur mobile et identifie MobileNetV2 comme le choix optimal, atteignant un compromis équilibré entre la précision de la classification, la vitesse d'inférence et la taille du modèle, tout en démontrant avec succès un déploiement en temps réel dans une application Android hors ligne.
Cet article introduit le cadre MIDAS pour démontrer que, dans les petits Vision Transformers destinés à la catégorisation visuelle fine, les stratégies d'élagage de jetons optimisées pour la couverture des parties (préservation des détails de l'objet) et la fidélité (explication des décisions du classificateur) se découplent fondamentalement, ce qui signifie que l'amélioration d'une métrique ne garantit pas l'amélioration de l'autre.
Cet article présente \ours, un cadre de vérification qui transforme la régression symbolique basée sur les grands modèles de langage en un processus rigoureux en exécutant un raisonnement par chaîne de pensée sous la forme d'un graphe de dérivation symbolique typé, imposant des contraintes strictes et des signaux de vérification souples pour produire des lois physiques compactes et vérifiables par machine avec des traces de dérivation exécutables.
Cet article propose un cadre de fusion multi-capteurs robuste pour les systèmes autonomes qui exploite l'encodage par paires différentielles et une stratégie de tolérance aux pannes à trois niveaux pour atténuer les défauts matériels des memristors, surpassant de manière significative les méthodes existantes en termes de précision sous des taux de défaillance élevés tout en permettant un déploiement efficace en temps réel en périphérie.
Cet article propose TRACE, un cadre multi-agents qui améliore le questionnement sur les graphes de connaissances en diagnostiquant et en réparant dynamiquement les plans de raisonnement des LLM par une recherche de preuves et une vérification ciblées, atténuant ainsi les hallucinations et améliorant la précision par rapport aux approches statiques existantes.
LAC-Net améliore la détection des défauts de surface de l'acier en intégrant un module d'attention léger et une stratégie de repondération sensible aux catégories dans YOLOv11, atteignant une performance supérieure sur le jeu de données à longue traîne GC10-DET grâce à une meilleure gestion des défauts ténus et du déséquilibre des classes, bien que son efficacité varie selon la distribution spécifique des données.
Ce document présente ARES, un cadre multi-agents autonome qui intègre des modèles de langage de grande taille affinés et l'apprentissage par renforcement pour surpasser les outils traditionnels dans la découverte de vulnérabilités complexes d'applications web grâce à un red-teaming adaptatif et éthique.
Cet article propose et valide un cadre intégré combinant la théorie des jeux quantiques d'Eisert–Wilkens–Lewenstein, l'optimisation QAOA améliorée par une régularisation d'inspiration Ramanujan, et l'apprentissage par renforcement multi-agents modulé par Rogers–Ramanujan afin d'améliorer significativement la résilience de la chaîne d'approvisionnement et les gains d'équilibre par rapport aux approches classiques.