2560 articles
Cet article présente un schéma d'approximation polynomial (PTAS) pour le problème du 2-matching pondéré sans triangle, résolvant ainsi un problème ouvert en offrant une approximation par le biais d'un algorithme de recherche locale et d'une analyse non triviale.
Cet article présente une architecture de contrôle légère et adaptative pour des robots multi-pattes (de 6 à 16 pattes) naviguant sur des terrains accidentés, qui combine la réactivité des contrôleurs événementiels et la robustesse des générateurs de motifs centraux en utilisant des segments identiques interconnectés.
L'article présente VNOIP, une méthode innovante utilisant des équations différentielles ordinaires neuronales variationnelles et des mécanismes d'attention pour prédire avec précision la popularité future de l'information dans les réseaux sociaux en modélisant explicitement la dynamique temporelle continue de ses tendances.
Le papier présente RTFDNet, une architecture unifiée de fusion-découplage qui améliore la robustesse de la segmentation sémantique RGB-Thermique en intégrant une fusion de caractéristiques synergique et des régularisations de découplage pour permettre une inférence efficace même en cas de défaillance partielle des capteurs.
Le papier présente SPAN-Nav, un modèle fondamental de bout en bout qui améliore la navigation vision-langage en intégrant une conscience spatiale 3D généralisée via un token compact et un entraînement multi-tâches sur un vaste jeu de données, atteignant ainsi des performances de pointe sur divers benchmarks et dans des scénarios réels.
Cet article présente un nouvel algorithme de minage de sous-chaînes fréquentes sous garantie de confidentialité différentielle qui conserve les erreurs quasi-optimales des travaux récents tout en réduisant drastiquement la complexité spatiale et temporelle pour permettre une mise à l'échelle efficace.
Cet article généralise l'algorithme optimal de sélection de partitions sous -DP vers le cadre de la confidentialité différentielle de Rényi (RDP), propose une extension améliorée pour les utilisateurs soumettant plusieurs partitions et démontre l'existence d'un coût inhérent à la publication simultanée des fréquences et des partitions.
Le papier propose le Progressive Split-Mamba (PS-Mamba), un cadre hiérarchique d'espace d'états qui préserve la topologie spatiale et atténue la décroissance à longue portée grâce à un partitionnement géométrique progressif et des connexions croisées symétriques, surpassant ainsi les modèles existants en restauration d'images.
Le papier présente SAGE, le premier modèle de langage multimodal (MLLM) 3D de bout en bout qui traite directement les nuages de points bruts comme une « langue étrangère » via un tokeniseur léger et une optimisation par préférence, surpassant ainsi les méthodes existantes en efficacité computationnelle et en robustesse.
Ce papier présente STONE, un ensemble de données multi-modal à grande échelle pour la navigation hors route, qui fournit des cartes de traversabilité 3D générées automatiquement sans annotation manuelle grâce à une fusion de LiDAR, de caméras et de radars, tout en établissant un nouveau benchmark pour la prédiction de traversabilité.
Cette étude évalue l'efficacité pratique du réglage d'index piloté par les grands modèles de langage (LLM) en le comparant à l'outil DTA de Microsoft, révélant que bien que les LLM puissent identifier des configurations supérieures dans certains cas, leur adoption en production reste limitée par une forte variabilité des performances et des coûts de validation élevés.
Ce papier propose un cadre de planification robuste pour la course autonome multi-agents, combinant l'identification topologique des opportunités de dépassement via des processus gaussiens et un MPC accéléré par un solveur PTC, permettant des manœuvres plus rapides et plus sûres avec une latence réduite sur la plateforme F1TENTH.
ZipPIR est un nouveau protocole PIR mono-serveur à haut débit qui élimine le besoin de stockage côté client en comprimant les chiffrés RLWE en des chiffrés Paillier plus compacts, permettant ainsi des performances comparables aux solutions de l'état de l'art tout en supportant des bases de données dynamiques.
Cet article propose un cadre hiérarchique basé sur la boucle OODA (Observer-Orienter-Déterminer-Agir) réparti sur les couches cloud-edge-terminal et utilisant la virtualisation des fonctions réseau, afin d'améliorer l'autonomie décisionnelle et la coopération des essaims de drones dans des environnements incertains.
Le papier présente WESPR, un cadre rapide qui intègre la perception géométrique et les données météorologiques locales pour prédire les champs de vent induits par l'environnement, permettant ainsi à un drone quadricoptère d'adapter proactivement sa planification de trajectoire et son contrôle pour améliorer la stabilité et réduire les déviations dans des conditions turbulentes.
Ce papier propose un cadre d'apprentissage métrique géométrique utilisant des descripteurs d'angles inter-articulaires invariants pour améliorer la reconnaissance de la langue des signes en contexte few-shot et cross-lingual, surpassant les méthodes basées sur les coordonnées normalisées grâce à une robustesse accrue face aux variations de vue et d'échelle.
Ce papier présente PIM-SHERPA, une méthode logicielle qui résout les incohérences d'attributs et de mise en page de la mémoire dans les systèmes PIM pour permettre une inférence efficace de grands modèles de langage sur appareil, en utilisant des techniques de double tamponnage ou de réorganisation en ligne pour économiser jusqu'à 49,7 % de capacité mémoire tout en maintenant des performances optimales.
Le papier présente TubeMLLM, un modèle fondamental unifié qui améliore la perception et la génération d'anatomies vasculaires en intégrant des prières topologiques via des prompts naturels, démontrant ainsi des performances supérieures en généralisation hors distribution et en transfert cross-modalité sur le benchmark multimodal TubeMData.
Ce papier propose une nouvelle fonction de perte pour entraîner un réseau de neurones convolutifs distribué (DisCNN) afin d'extraire et de reconnaître uniquement les caractéristiques d'une classe positive spécifique, permettant ainsi une détection d'objets efficace dans des arrière-plans complexes grâce à une architecture légère et une excellente généralisation.
Le papier présente UniField, un cadre unifié d'amélioration IRM qui surpasse les méthodes existantes en exploitant des modèles de fondation 3D pré-entraînés, en intégrant un mécanisme de rectification spectrale conscient du champ physique pour préserver les détails, et en libérant un jeu de données multi-champs massif pour améliorer la généralisation.