3729 articles
L'article propose TeNS, un modèle de notation neuronale temporelle pour la complétion de graphes de connaissances temporelles qui utilise un encodeur temporel apprenable et un réseau de notation à perceptron multicouche pour capturer des motifs temporels complexes et des interactions non linéaires profondes, surpassant ainsi les modèles de référence existants dans les tâches de prédiction de liens.
JoinFinder est un cadre d'apprentissage profond multimodal qui exploite l'identité du manuscrit comme un substitut supervisé et évolutif pour apprendre des plongements robustes afin d'identifier et de récupérer des fragments de manuscrits historiques, atteignant une performance supérieure dans la découverte de jointures candidates à travers le corpus de la Geniza du Caire sans nécessiter d'annotations de jointure explicites.
Cet article démontre que la représentation d'entrée du problème du logarithme discret dicte fondamentalement l'algorithme interne découvert par les réseaux de neurones, révélant qu'un alignement algébrique avec la véritable factorisation du problème est un prérequis pour une généralisation rapide (grokking) et que les structures computationnelles riches en interactions nécessaires se forment durant la phase de mémorisation bien avant que la performance ne s'améliore.
Cet article introduit un cadre d'évaluation complet qui évalue la robustesse des grands modèles de langage dans l'extraction de paires clé-valeur à partir de documents générés par OCR bruités, révélant que la performance sur du texte propre est un indicateur peu fiable de la fiabilité en conditions réelles et remettant en question les hypothèses concernant la cohérence des classements des modèles et les bénéfices monotones du prompting à quelques exemples.
Cet article propose un cadre de réponse aux incidents automatisé et sensible à la fiabilité pour les systèmes distribués basés sur Cadence, qui intègre une modélisation de la fiabilité au niveau du flux de travail et des signaux de surveillance enrichis afin d'accélérer la détection et la récupération tout en améliorant la stabilité du système à long terme.
Cet article évalue systématiquement les signatures de défaillance distinctes de SINDy, des Neural ODEs et des PINNs sous des observations éparses et bruitées, révélant comment le bruit, la géométrie d'échantillonnage et les paramètres d'optimisation impactent différemment leur précision, leur stabilité et leur exactitude prédictive à travers divers systèmes dynamiques.
Ce document propose un cadre hybride combinant XGBoost pour une prédiction des cultures basée sur le sol précise avec un modèle de langage affiné par LoRA pour générer des recommandations Top-K interprétables et adaptées aux agriculteurs, démontrant que l'intégration de l'apprentissage automatique tabulaire avec l'IA générative améliore à la fois la performance et l'utilisabilité des systèmes d'aide à la décision agricole.
Ce document propose et évalue un système de recommandation d'intervention adaptative pour l'anxiété utilisant un cadre UCB à fenêtre glissante avec actualisation par actualisation (Discounted Sliding-Window UCB) et filtrage de pertinence, qui surpasse significativement les modèles traditionnels à historique complet en atteignant jusqu'à 20 % d'augmentation de la récompense cumulative et une réduction de 61 % du regret dynamique grâce à une adaptation rapide aux environnements utilisateurs non stationnaires.
Cet article propose et évalue un cadre d'observabilité unifié piloté par les SLO qui intègre AWS CloudWatch, GCP Cloud Monitoring, ELK et Splunk à travers un méta-modèle indépendant du fournisseur et une gouvernance de budget d'erreur, démontrant des améliorations significatives du temps de détection, de la vitesse de récupération, de la stabilité des SLO et de la réduction des coûts opérationnels dans les environnements multi-cloud.
Cette étude exploratoire introduit Warrant, un protocole open-source qui utilise des vérifications cachées et une porte déterministe pour réduire considérablement les faux acceptés et les défauts échappés dans le code généré par IA par rapport aux tests uniquement visibles, bien qu'au prix d'une augmentation du temps et de l'utilisation de jetons.