5306 articles
Cet article présente le premier jeu de données open-source à grande échelle et des modèles novateurs pour la conversion de la parole en LaTeX, couvrant des équations et des phrases mathématiques en anglais et en russe, et établissant de nouveaux benchmarks qui surpassent significativement les méthodes existantes.
Cet article propose un cadre d'inférence de niveau 2 pour déduire les estimations que les agents ont des objectifs des autres, surmontant ainsi les limites des approches de niveau 1 qui supposent une connaissance complète et partagée des intentions dans les interactions stratégiques décentralisées.
Le papier propose DSER, un cadre géométrique innovant qui utilise une régularisation spectrale dans le domaine épipolaire pour réaliser une estimation de profondeur dense et précise sur des champs de lumière, en surmontant les défis liés aux occlusions et aux régions sans texture grâce à une inférence hybride efficace.
Cette étude quasi-expérimentale démontre que les modèles de langage peuvent générer avec une grande pertinence des spécifications comportementales Gherkin à partir de réglementations sur la sécurité alimentaire, tout en soulignant la nécessité d'une supervision humaine pour corriger les omissions et les hallucinations.
Le papier présente DAWN, un cadre unifié de diffusion pour le contrôle robotique qui relie l'intention de mouvement de haut niveau aux actions de bas niveau via une représentation structurée du mouvement des pixels, atteignant des performances de pointe sur les benchmarks CALVIN et MetaWorld tout en démontrant une transférabilité fiable vers le monde réel avec un réglage fin minimal.
Le papier présente Dolphin, une méthode efficace de séparation de la parole audio-visuelle qui utilise un encodeur vidéo léger pour transformer les mouvements des lèvres en tokens sémantiques discrets et un séparateur avec une attention globale-locale multi-échelle, surpassant les modèles actuels en qualité de séparation tout en réduisant considérablement les paramètres et le temps d'inférence.
Le papier propose PD-Diag-Net, un réseau de neurones guidé par des connaissances cliniques qui intègre des prérequis sur les régions cérébrales et le vieillissement pour diagnostiquer la maladie de Parkinson à partir d'IRM brutes, atteignant une précision de 86 % sur des données externes et surpassant les méthodes existantes de plus de 20 %.
Ce papier présente Farsighted-LAM et SSM-VLA, des cadres d'apprentissage qui améliorent la robustesse et l'interprétabilité des modèles Vision-Language-Action en intégrant une encodage spatial géométrique, une modélisation temporelle multi-échelle et un raisonnement explicite sur la dynamique de l'environnement.
Cet article propose un cadre de distillation de connaissances vision-langage qui combine un réseau de neurones à impulsions adaptatif pour le découpage optimal des flux d'événements et un modèle étudiant basé sur CNN, permettant ainsi la détection d'objets à vocabulaire ouvert sur des données d'événements en exploitant la compréhension sémantique de CLIP via des images.
Ce papier propose une nouvelle stratégie d'apprentissage auto-supervisé pour les problèmes inverses à partir de données incomplètes, qui combine une nouvelle définition d'équivariance et des pertes de séparation pour obtenir des estimations non biaisées et atteindre des performances de pointe dans des modèles fortement sous-déterminés.
Le papier présente Symskill, un cadre unifié qui apprend conjointement des abstractions symboliques et des compétences à partir de démonstrations non étiquetées pour permettre à un robot d'exécuter et de composer des tâches de manipulation à long horizon de manière réactive et efficace en termes de données, tout en assurant une récupération en temps réel face aux échecs.
Cet article propose GRAMPUS, une théorie des types modaux gradués qui utilise des grades temporels pour formaliser sémantiquement et catégoriellement les séquences de signaux de contrôle (pulse schedules) nécessaires à l'exécution des circuits quantiques sur des qubits supraconducteurs.
Cette étude démontre qu'un cadre exploitant les grands modèles de langage pour extraire des signaux sémantiques contextuels des divulgations corporatives permet de prédire l'alpha avec une performance nettement supérieure aux méthodes traditionnelles en mesurant l'évolution des indicateurs clés.
Cette étude de cas unique sur l'affaire R v F (2025) propose des leçons pratiques et des techniques pour que les enquêteurs en criminalistique numérique puissent contester efficacement la défense du « piratage » (ou « SODDI ») et fournir des preuves empiriques aux tribunaux afin de distinguer les innocents des coupables.
Cet article initie une étude systématique de la complexité computationnelle du test de propriétés en établissant des hiérarchies temps-requêtes et en démontrant, via des conjectures de complexité fine, une séparation fondamentale entre la complexité en requêtes et la complexité temporelle pour l'approximation de la distance aux demi-espaces.
Le papier présente CompassNav, une nouvelle approche qui remplace l'imitation de trajectoires par une compréhension des décisions via un jeu de données enrichi et une fonction de récompense hybride, permettant à un agent de 7B de surpasser les modèles propriétaires sur des benchmarks de navigation et de réussir sur un robot physique.
Le papier présente SDGraph, une architecture d'apprentissage profond basée sur un graphe combinant des structures clairsemées et denses pour modéliser efficacement les esquisses à trois niveaux (esquisse, trait et point), améliorant ainsi significativement les performances dans les tâches de classification, de recherche et de génération.
Le papier présente InstantSfM, un système de Structure-from-Motion entièrement basé sur GPU et compatible PyTorch qui intègre des priors de profondeur métrique pour résoudre l'ambiguïté d'échelle et offre une accélération d'environ 40 fois par rapport à COLMAP tout en maintenant une précision de reconstruction élevée.
Le papier présente UltraGen, un cadre novateur utilisant une attention locale hiérarchique et une guidance globale à basse résolution pour permettre une génération d'images text-to-image ultra-haute définition (au-delà de 8K) efficace, rapide et économiquement viable en mémoire.
Le papier présente REALM, un cadre d'agent MLLM innovant qui permet la segmentation et l'édition 3D en monde ouvert sur des représentations Gaussian Splatting en utilisant une stratégie de localisation spatiale globale-à-locale pour interpréter avec précision des instructions complexes sans nécessiter de post-entraînement spécifique.