NaviRAG propose un framework RAG qui remplace la récupération passive par une navigation active du savoir. Le système structure les documents en hiérarchie sémantique et utilise un agent LLM pour naviguer itérativement, identifiant les lacunes informationnelles et récupérant du contenu au niveau de granularité approprié. Résultats : amélioration de la récupération et de la performance QA sur documents longs.
HT-GRPO, une méthode d'apprentissage par renforcement hiérarchique pour les modèles de diffusion multi-modaux, organise l'optimisation en trois étapes (global, structure, raffinement). Elle résout le problème des séquences de démasquage multiples et attribue des récompenses différenciées selon l'importance des tokens. Tests sur MMaDA et Lumina-DiMOO montrent des gains sur GenEval et DPG.
Étude cross-culturelle sur 4,641 participants dans 7 pays montrant que l'adoption des LLM pour le soutien émotionnel varie de 20% à 59%. Les utilisateurs âgés de 25-44 ans, religieux, mariés et de statut socioéconomique élevé rapportent plus de confiance. Les demandes portent sur la solitude, le stress, les conflits relationnels et la santé mentale. Corpus de 731 prompts multilingues collectés.
Étude d'un atlas interactif open-source mappant 200+ initiatives d'IA participative. Protocole reproductible pour découverte, vérification et harmonisation de cas. Résultats : initiatives concentrées dans peu de pays, participation surtout en formulation de problèmes et évaluation, rarement en développement de modèles.
Une étude arXiv analyse la relation entre surprisal (imprévisibilité) des modèles de langage et la nouveauté métaphorique. Sur 8 tailles de Pythia et 154 checkpoints, la fréquence lexicale prédit mieux la nouveauté métaphorique que le surprisal. L'association surprisal-nouveauté culmine en phase d'entraînement précoce puis décline, miroir de l'association surprisal-fréquence.
Une hypothèse propose que les LLM encodent des treillis de concepts (lattices) dans leur géométrie d'embeddings. Le cadre unifie la Linear Representation Hypothesis avec l'Analyse Formelle de Concepts (FCA), montrant que les directions d'attributs linéaires induisent des treillis via intersections d'hyperplans. Expériences sur WordNet valident que les embeddings capturent les structures logiques et hiérarchiques.
DiagEval est un protocole d'évaluation diagnostique pour les agents GUI testant des logiciels interactifs générés par LLM. Il réutilise les trajectoires échouées pour identifier si les défaillances proviennent de l'évaluateur ou du logiciel. Sur WebDevJudge-Unit et RealDevBench, DiagEval récupère 45.6-62.1% des faux négatifs et améliore la précision de 69.9% à 78.3% et de 65.0% à 81.6%.
GRID est un framework end-to-end pour construire des graphes de connaissances de sécurité à partir d'articles de cyber threat intelligence. Utilisant Qwen3-4B-Instruct, il combine extraction de graphes, révision de texte et une banque de tâches (questions multi-choix + regex) pour générer des récompenses stables. Sur 249 articles CTI, le modèle Task-bank atteint 84,62% précision, 64,91% rappel et 68,53% F1 moyen.
Framework de planification comportementale pour véhicules autonomes utilisant un LLM pour anticiper le comportement des piétons. Évalué sur SUMO : 68% de succès sans entraînement (vs 17.7% pour RL), 96% avec mémoire épisodique. Décisions interprétables et transfert de comportements entre scénarios.
Framework hiérarchique deux étages pour prédire les trajectoires de navires sur long horizon en conditions océaniques réelles. Combine prédicteur long-terme avec prédicteur court-terme basé sur Graph Transformer spatio-temporel sur grille maritime. Module environnemental intègre courants, vent, hauteur de vague via attention cross-modale. Résultats : 25% meilleur ADE, 17% meilleur FDE sur données CTS Australie.
Framework multi-étapes pour détecter les insultes réappropriées en discours multilingue (anglais, espagnol, italien). Utilise XLM-RoBERTa avec augmentation de données par back-translation GPT-4o-mini (×3 corpus), undersampling dynamique et ajustement de seuils par langue. Amélioration F1 de 2-5% sans réentraînement.
DAEM (Diffusion Attention Expert Model) détecte les STAS (spread through air spaces) dans les images histopathologiques de cancer du poumon. Le modèle atteint AUC 0.8946 sur coupes congelées et 0.9112 sur coupes en paraffine. Validation sur 8 institutions externes. Localisation semi-automatique et biomarqueurs TME identifiés.
Nouvelle méthode de décodage game-théorique pour modèles vision-langage petits (2-8B) en imagerie médicale. Critère d'arrêt Wasserstein sémantique remplace l'appariement lexical, améliorant Qwen3-VL-2B de +3.5pp sur VQA-RAD et réduisant itérations de convergence de 20% tout en maintenant fiabilité.
Reversa est un framework de rétro-ingénierie documentaire qui convertit les systèmes legacy en spécifications opérationnelles pour agents IA. Un pipeline multi-agents extrait les règles métier implicites, synthétise l'architecture et génère des spécifications traçables avec marquage de confiance. Étude de cas : migration ATM COBOL→Go produisant 517 claims, 10 gaps identifiés et 53 scénarios Gherkin.
GCE-MIL améliore l'apprentissage multi-instance pour l'analyse d'images histologiques en optimisant directement la qualité des preuves (suffisance, nécessité, récupérabilité) plutôt que de s'appuyer sur les poids d'attention. Sur 81 configurations (9 backbones, 9 datasets), le gain Macro-F1 atteint +0.024 et C-index +0.014, avec inférence 5× plus rapide.
ISEP propose une méthode d'apprentissage par renforcement hors ligne qui élargit implicitement le support des actions en interpolant entre données en distribution et échantillons de politique. Un mécanisme stochastique alterne entre clonage conservateur et signaux d'expansion optimiste, implémenté via Flow Matching conditionnel avec guidance sans classifieur.
Méthode post-hoc d'alignement multimodal utilisant des représentations relatives au niveau token pour appareiller encodeurs pré-entraînés avec peu de données. Apprentissage d'ancres learnable dans chaque espace modal pour induire des patterns de similarité cross-modal cohérents. Surpasse les méthodes existantes en classification zero-shot, retrieval cross-modal et segmentation zero-shot.
COOPO est un algorithme d'apprentissage par renforcement hybride offline-online qui alterne entre entraînement offline régularisé par KL et fine-tuning online. Le retour cyclique à l'entraînement offline élimine l'oubli catastrophique et la dérive de distribution. Sur les benchmarks D4RL, COOPO réduit les interactions online tout en améliorant les performances finales.
Étude des compromis entre précision, confidentialité différentielle et coût de communication en apprentissage fédéré. Propose FedHybrid et FedNewton, améliorations de FedAvg et FedSGD avec bornes supérieures d'erreur quadratique moyenne et bornes minimax. Validation sur régression logistique et réseaux de neurones (MNIST, CIFAR-10).
Pipeline RAG pour décoder du texte à partir de signaux EEG en utilisant un encodeur EEG aligné sur des embeddings sémantiques, une étape de récupération vectorielle et un LLM. Sur le dataset ZuCo, la méthode surpasse la baseline aléatoire avec une similarité cosinus de 0.181±0.022 vs 0.139±0.029 (amélioration de 30.45%), sans teacher forcing à l'inférence.
Étude sur les biais de popularité dans les systèmes de recommandation génératifs (GRs). Les auteurs identifient que ce biais provient d'une faille d'optimisation au niveau des tokens et d'une tokenization d'items non différenciée. Ils proposent Ghost, un GR avec optimisation asymétrique unlikelihood et tokenization skeleton-founded, validé sur 3 datasets.
Framework de fine-tuning multilingue pour MLLMs combinant génération synthétique OCR-traduction, SFT avec LoRA et chain-of-thought visuel structuré. Améliore significativement l'extraction de texte petit, flou, occludé sur reçus, menus, documents en conditions visuelles dégradées. Surpasse GPT-5 et Gemini sur OCR et hallucinations.
Article théorique sur l'interprétabilité mécanique des modèles de vision. Propose un cadre distributional basé sur la minimisation KL pour interpréter les activations internes, résolvant les biais des méthodes heuristiques (top-K, optimisation régularisée). Implémentation via diffusion posterior sampling, validée sur DINOv3.
BESplit propose un cadre de federated learning distribué (SFL) pour atténuer les effets des données non-IID. La méthode combine Evidential Aggregation pour pondérer les contributions clients, Bias-Compensated Collaboration pour aligner les représentations, et Dual-Teacher Distillation pour synchroniser les modèles. Tests sur 5 benchmarks montrent amélioration de précision et stabilité.
Nouvelle méthode SPBM pour l'optimisation contrainte en deep learning. Combine penalty methods, barrier methods et dual averaging exponentiel pour gérer non-convexité et non-lissité. Démontre efficacité sur fairness, physics-informed networks et intégration de connaissances symboliques avec surcoût linéaire jusqu'à 10k contraintes.
Algorithmes de descente miroir pour résoudre des inégalités variationnelles avec contraintes fonctionnelles. Les auteurs proposent des variantes qui alternent entre étapes productives et non-productives selon les valeurs des contraintes, avec analyse de convergence optimale pour opérateurs monotones bornés et contraintes convexes Lipschitz. Applications à GANs, RL et entraînement adversarial.
CATA propose une méthode d'oubli machine continuel pour les modèles vision-langage (VLMs). Elle représente chaque demande d'oubli comme un vecteur de tâche et agrège les vecteurs historiques en supprimant les composantes conflictuelles, garantissant l'efficacité de l'oubli, la fidélité du modèle et la persistance contre la réémergence de connaissances.
Un framework apprend la distribution des masques d'occlusion authentiques via Bayesian Flow Networks pour entraîner des modèles de diffusion sur des observations incomplètes. Testé sur données océanographiques satellites (256×256), il améliore MSE et PSNR comparé aux baselines en évitant les zones mortes de requête.
Cadre permettant le dialogue avec des systèmes non-humains (réseaux de régulation génétique, agents RL) en traitant la communication comme un jeu. Un LLM route les prompts vers le système dont la dynamique interne correspond le mieux, sans modifier ses paramètres. Démontre convergence comportementale entre agents disparates et révèle des biais inductifs des systèmes.
Méthode de prédiction d'intervalles pour les marchés financiers combinant graphes spatio-temporels et fusion chaotique bi-niveaux. Modèle avec mécanisme de gating sensible à la volatilité et objectif LUBE. Tests sur 43 entreprises NSE (2016-2026) : score Winkler 0.0778, couverture 96.6%, améliorations significatives vs LSTM/GRU/GCN (p<0.001).
DisTrans, un réseau d'entraînement adversarial, optimise l'apprentissage relationnel moléculaire cross-domaine en intégrant structures topologiques et modalités visuelles. Via inversion de gradient et alignement sémantique des groupes fonctionnels, la méthode surpasse 16 baselines sur deux stratégies cross-domaine.
PESD-TSF est un framework de décomposition structurée pour la prévision de séries temporelles longues. Il introduit un mécanisme de gating périodique multiplicatif, un encodeur multi-échelle avec attention détrended, et une attention collaborative inter-variables (CSCA) pour préserver les structures périodiques et les dépendances entre variables à travers les couches profondes.
Méthode de planification robotique pour la sculpture sur argile basée sur une représentation alignée visuellement. Le système modélise la dynamique des matériaux déformables en capturant textures et éclairage, permettant une planification long-horizon (>100 actions) sans retraining par objectif. Testé sur trois matériaux avec différents effecteurs.
Étude évaluant trois LLMs off-the-shelf pour estimer la difficulté d'items pédagogiques sans données de réponse. Sur 6 domaines de mathématiques primaires, les corrélations de Spearman montrent alignement modéré à fort avec les difficultés empiriques. Les comparaisons par paires surpassent les jugements absolus; l'ajout de probabilités de tokens et d'exemples few-shot améliore les résultats.
ORACLE est un framework agentic pour anticiper les escroqueries mobiles à partir de trajectoires d'utilisation d'applications en streaming. Sur un benchmark de 12 types d'escroqueries (95 apps, 15 jours en moyenne), le système utilise un gestionnaire de contexte auto-évolutif et une auto-distillation supervisée pour détecter les signaux précoces à partir d'observations partielles.
StructLens analyse l'organisation interne des représentations dans les modèles de langage via des arbres couvrants maximaux construits sur les flux résiduels. Le framework révèle que les couches intermédiaires organisent fortement les tokens proches, et que les unités locales émergent avant les unités plus larges lors du pré-entraînement.
M²FedAQI propose un framework fédéré multimodal léger pour la prédiction décentralisée de l'indice de qualité de l'air (AQI) sur des appareils edge hétérogènes. Le système fusionne données visuelles et tabulaires via un mécanisme de modulation de features. Évalué sur PM25Vision et TRAQID, il améliore l'accuracy de 11%, l'AUC de 3,53%, le F1-score de 12,2% et R² de 18% par rapport aux baselines.
Peak-Detector utilise des LLMs instruction-tuned pour détecter les pics dans les signaux physiologiques (ECG, PPG, BCG, BSG) avec explainabilité. Une technique de « peak-representation » compresse les séries temporelles en préservant les événements critiques. Le modèle est optimisé via fine-tuning supervisé puis reinforcement learning multi-objectif, testé sur 7 datasets (6 publics + 1 cohorte réelle).
Étude sur la classification automatique des rapports de bugs invalides et la génération de corrections sans code. Les chercheurs proposent une taxonomie standardisée et testent LLMs vanilles, RAG et agents web. RAG atteint 0.66 F1 pour la sous-classification, la recherche web agentique 68.9% de succès pour les corrections.
Une méthode supervisée appelée Manifold Probe découvre les variétés de représentation en superposition dans les réseaux de neurones. Testée sur Llama 2-7b, elle identifie des variétés linéaires pour le temps et l'espace, et démontre un contrôle causal en modifiant les complétions du modèle sur les années de sortie de films et chansons.