1057 articles
Ce document propose CG-GNN, un cadre de réseau de neurones sur graphes robuste qui atténue le bruit d'étiquetage en intégrant un raffinement d'étiquettes guidé par les communautés avec l'élagage d'arêtes et un schéma d'apprentissage contrastif progressif pour surpasser les méthodes de pointe dans des scénarios de bruit et de rareté de données.
Cette étude démontre que la conversion des scores d'importance des caractéristiques basés sur SHAP en actions managériales directes, sans tenir compte des coûts d'intervention, de la validité causale et des risques de perte, crée des aléas de responsabilité importants, révélant que l'explicabilité seule est insuffisante pour une prise de décision responsable pilotée par l'IA.
Cette étude passe en revue systématiquement les attaques et les défenses par empoisonnement à l'ère des grands modèles de langage en proposant une taxonomie complète qui catégorise les menaces en empoisonnement des poids et du contexte, en analysant les techniques représentatives et les stratégies de défense, et en traçant les futures directions de recherche pour sécuriser les systèmes d'IA composés.
FedDAAW est un cadre léger et respectueux de la vie privée pour l'apprentissage fédéré hétérogène qui emploie une sélection dynamique de clients et une agrégation adaptative à la précision pour améliorer considérablement l'efficacité de la convergence et la performance à travers diverses tâches (classification, analyse de sentiment et régression) dans des contextes non-IID sans nécessiter de partage de gradients ou de données auxiliaires.
Cette analyse bibliométrique de 1 225 publications de 2000 à 2024 révèle l'évolution de la recherche sur les sports robotiques vers un domaine mature et mondialement collaboratif, porté par des institutions clés et un changement thématique passant du football robotique fondamental aux applications d'IA avancées telles que l'apprentissage profond et l'interaction humain-robot.
Cet article présente le Composite Tasks Challenge (CTC), une nouvelle suite de référence conçue pour évaluer rigoureusement la division du travail et la coopération dans l'apprentissage par renforcement multi-agents, révélant que les méthodes de pointe actuelles échouent à résoudre ces tâches tout en démontrant qu'un banc d'essai soluble mais exigeant est essentiel pour faire progresser le domaine.
SousCoder est un assistant de développement proactif et local-first qui surveille les signaux comportementaux inter-applications à travers VS Code, Chrome et le terminal pour détecter la confusion des développeurs et intervenir avec des suggestions contextuelles, atteignant une faible latence et une haute pertinence lors des évaluations sur le terrain tout en étendant les travaux antérieurs grâce à une mémoire persistante et une perception multi-sources.
Cette étude évalue un pipeline de modèle de langage étendu pour l'extraction de 14 variables actuarielles à partir de réclamations d'indemnisation des accidents du travail, révélant un accord global modéré avec les examinateurs humains (kappa de l'accord pondéré quadratique de 0,53) et une variabilité significative selon les dimensions, ce qui souligne la nécessité d'un étalonnage et d'un déploiement progressif avant une validation formelle.
Cette étude démontre qu'un modèle d'apprentissage profond basé sur les transformeurs surpasse les algorithmes d'apprentissage automatique classiques dans la prédiction de la stabilité du réseau électrique, atteignant une grande précision tant dans les tâches de classification binaire que de régression, tout en soutenant les objectifs mondiaux de durabilité pour des réseaux intelligents résilients.
Cette étude identifie que le faible contraste entre la lésion et l'arrière-plan sur les peaux foncées crée un chevauchement de classes structurelles, provoquant une surprédiction systématique de la malignité par les modèles d'IA dermatologiques et générant un excès d'orientations pour les patients à la peau foncée, un goulot d'étranglement en matière d'équité qui persiste même après correction des distributions de classes de confusion et qui est mieux atténué par un équilibrage des classes par type de carnation plutôt que par un conditionnement du type de peau.