QuantFPFlow intègre l'estimation quantique d'amplitude dans l'optimisation stochastique de politique via la formulation de Fokker-Planck. Grover-amplified atteint une accélération quadratique O(1/ε) vs O(1/ε²) classique. Sur tâches continues, surpasse SAC (1295.7 vs 1284.0 reward) et découvre l'optimum global 10.4% plus souvent (33.9% vs 30.7%).
Approche de recuit quantique pour sélectionner les clients fiables en apprentissage fédéré face aux attaques byzantines. Reformulation en problème QUBO résolvant conjointement les sous-ensembles de clients les plus proches. MultiSignal (ensemble hybride) atteint 95,3% de détection à 100 clients sur MNIST vs 91,8% pour MultiKrum classique, avec gains majeurs sur Sparse Lie (+23,2 points) et Advanced Lie (+4,8 points).
Méthode d'amélioration d'inférence vidéo utilisant un contrôleur flou (FC-r) pour adapter dynamiquement la taille des modèles selon les ressources disponibles. Exploite la corrélation spatio-temporelle entre frames adjacentes. Équilibre performance et efficacité énergétique sans augmenter la complexité architecturale.
UniAlign est un framework agnostique aux modèles pour améliorer la robustesse de la classification du trafic réseau face aux changements de distribution. Il combine l'alignement de domaine et l'ensemble de modèles stables, améliorant la précision de 2,51% et le F1 de 2,71% sur trois datasets publics, avec 12,4–53,9% du coût d'entraînement des baselines.
Étude arXiv montrant que les caractéristiques de couleur seules (histogrammes RGB/HSV, moments statistiques) atteignent 89% de précision en classification binaire cancer/bénin en histopathologie, sans information morphologique. Les auteurs proposent ces features simples comme outil de pré-tri léger avant modèles deep learning complexes.
Framework probabiliste Bayesian-Monte Carlo pour la mise à jour dynamique des calendriers de projets de construction. Modélise les durées d'activité avec distributions lognormales, les met à jour via inférence bayésienne, et propage l'incertitude par simulation Monte Carlo. Démontre une meilleure précision que les méthodes CPM déterministes sur les benchmarks PSPLIB.
SafeLens propose une architecture de modération vidéo à deux niveaux (fast-and-slow) pour réduire les coûts d'inférence. Le framework filtre le dataset SafeWatch à 2,4% via influence-guided filtering et ajoute des traces Chain-of-Thought. Il surpasse SafeWatch-8B, OmniGuard-7B, GPT-5.4 et Gemini-3.1-pro sur des benchmarks vidéo réels et générés par IA.
Calibrate-Then-Act (CTA) est un framework permettant aux agents LLM de raisonner explicitement sur les compromis coût-incertitude avant d'agir. En fournissant une estimation préalable de l'état de l'environnement, CTA améliore la prise de décision optimale sur des tâches de QA, retrieval-augmented et lecture de fichiers en codage.
Prompt2Fingerprint propose un framework pour l'empreinte digitale des LLM via génération de paramètres. Au lieu de fine-tuner chaque modèle séparément, un générateur spécialisé mappe des descriptions textuelles à des incréments de paramètres bas-rang en un seul passage, éliminant le coût computationnel des méthodes existantes.
Optimisation de CSRNet avec des mécanismes d'attention sans paramètres pour compter les foules dans les transports publics. Évaluation de modules PFCA, SA et SimAM sur le dataset ShanghaiTech. PFCASA (combinaison novel PFCA+SA) surpasse les approches paramétrées tout en réduisant la taille du modèle, applicable aux systèmes embarqués.
Étude de l'apprentissage semi-supervisé invariant et équivariant (FixMatch, Dense FixMatch) pour l'entraînement multi-tâches sur données partiellement annotées. Tests sur Cityscapes et BDD100K pour détection d'objets et segmentation sémantique. Les approches équivariantes surpassent les baselines supervisées, particulièrement avec peu d'échantillons étiquetés par tâche.
Cadre de modélisation basé sur l'apprentissage par renforcement (RL) pour prédire les trajectoires clients en magasin. L'approche dépasse les heuristiques TSP/PNN (écart moyen 28% vs chemins optimaux) en capturant la rationalité limitée des clients. Validation sur données réelles : prédictions RL plus alignées avec comportements observés, estimations plus précises des achats impulsifs et densités de trafic.
Papier sur l'atténuation du vieillissement NBTI dans les multiplicateurs arithmétiques utilisés en IA. La technique exploite l'invariance de signe de la multiplication pour redistribuer le stress transistor via transformations en complément à 2. Intégrée aux systolic arrays, elle améliore la durée de vie avec surcoûts négligeables en surface et délai.
Un modèle d'attention label-wise entraîné sur données ICD-9 et ICD-10 combinées améliore la prédiction de codes médicaux rares de 27% en micro F1 (18K codes rares) et les métriques macro sur codes fréquents, malgré le décalage de versions. Approche version-indépendante pour automatiser le codage clinique.
PEIRA est une méthode d'apprentissage auto-supervisé non-contrastif qui analyse la dynamique de JEPA via un régresseur linéaire régularisé. Elle minimise une fonction objective explicite basée sur la trace du régresseur optimal, garantissant des équilibres stables non-effondrés alignés avec les sous-espaces de corrélation canonique. Résultats compétitifs sur ImageNet-1K et CIFAR-10.
SkillsVote est un framework de gouvernance du cycle de vie des skills d'agents IA, depuis leur collecte jusqu'à leur évolution. Il profile un corpus open-source à l'échelle du million pour la qualité et la vérifiabilité, puis décompose les trajectoires en subtasks attribuées aux skills. Amélioration : +7.9pp sur Terminal-Bench 2.0 (GPT-5.2) et +2.6pp sur SWE-Bench Pro.
Framework hybride combinant CNNs 1D et 2D avec fusion guidée par attention pour la reconnaissance biométrique basée sur ECG. Évaluation sur ECG-ID, MIT-BIH, PTB : 99.56%, 100%, 99.89% d'exactitude. Tests multi-sessions (Heartprint, 10 ans) : 98.54%-99.09% intra-session, 53-56% inter-sessions.
WhiteTesseract combine XR haute résolution et IA conversationnelle pour enrichir les visites de musées. Testé sur une exposition Monet avec 26 participants, le système augmente le temps d'observation de 35,3 à 98,3 secondes (p<0,001). 60% des 529 interactions dépassent les requêtes factuelles pour inclure analyse, émotion et comparaison.
Méthode de prédiction de difficulté d'MCQ basée sur des profils cognitifs data-driven. Framework persona utilisant analyse de classes latentes (LCA) sur dataset EEDI, simulation LLM des distributions de réponses par persona, agrégation avec contexte thématique et régression Ridge. Amélioration : MSE 0.367→0.274, R²=0.686.
Benchmark de LLMs sur la classification du traitement des précédents juridiques. Dataset expert-annoté de 239 citations légales réelles. Gemini 2.5 Flash atteint 79,1% en classification haut-niveau, GPT-5-mini 67,7% sur schéma fin-grained. Nouvelle métrique Average Severity Error pour mesurer l'impact pratique des erreurs.
Lance est un modèle multimodal unifié léger supportant compréhension, génération et édition d'images et vidéos. Basé sur une architecture dual-stream mixture-of-experts avec encodage positionnel rotatif modulé par modalité, il combine apprentissage multi-tâche collaboratif et planification adaptative des données pour surpasser les modèles open-source existants en génération visuelle.
Étude sur la sycophantie contextuelle dans les LLM : 60 participants ont collaboré avec une IA sur des tâches analytiques. Les résultats montrent que les modèles reflètent les erreurs utilisateur plutôt que de les corriger. Une intervention en littératie IA a réduit le mirroring incorrect mais n'a pas éliminé la propagation d'erreurs, suggérant que les approches au niveau système sont nécessaires.
SynVA est un toolkit modulaire pour générer des mailles vasculaires et synthétiser des anévrismes intracrâniens anatomiquement cohérents. Combine des méthodes flow-matching pour les vaisseaux sains et des approches conditionnées par l'anatomie pour les anévrismes. Libère un dataset de 50 000 échantillons annotés pour les tâches de vision médicale.
DEPPA optimise les modèles de diffusion conscients de la poche protéique pour la conception de médicaments via apprentissage par renforcement. La méthode affine un modèle pré-entraîné en formulant le processus de débruitage comme un processus décisionnel de Markov, optimisant affinité de liaison, drug-likeness, synthétisabilité et diversité. Sur CrossDocked2020, DEPPA atteint Vina Score -8.5 kcal/mol.
Nouvelle méthode pour contrôler le False Discovery Rate (FDR) dans des espaces d'hypothèses structurés via noyaux reproduisants. Reformule le problème en apprentissage régularisé dans un RKHS, unifiant domaines continus, graphes et hiérarchies. Validation sur données spatiales et expression génique différentielle.
Étude longitudinale (2020-2026) auprès de 471 étudiants en IA montrant un renversement de préférence : de 2024 à 2026, la valorisation de l'intelligence humaine passe de 53% à 65% en cours technique et 90% en cours design. Les auteurs identifient quatre phases (hype, distrust, trust, dependency) et concluent à une réévaluation progressive de l'IA comme outil routinier.
Système de détection d'intrusions réseau utilisant des triplet networks avec mining en ligne et classifieur KNN. Approche few-shot capable de détecter des attaques avec seulement 10 exemples malveillants par classe, surpassant les méthodes supervisées classiques sur petits datasets et les modèles d'anomalie (faux positifs élevés).
Évaluation systématique de notes cliniques synthétiques générées par LLM à l'échelle du million de notes. L'étude montre que les notes synthétiques préservent les informations cliniques essentielles pour les tâches grossières mais perdent les détails fins pour le codage ICD. Le reprasing par chunks réduit cette perte mais diminue la précision factuelle.
CGPO (Curriculum Group Policy Optimization) améliore l'entraînement des modèles texte-vers-image en utilisant un curriculum adaptatif basé sur la variance des récompenses. La méthode priorise les prompts partiellement maîtrisés (variance élevée) et équilibre les catégories via optimisation de fairness proportionnelle. Gains validés sur GenEval, T2I-CompBench++, DPG Bench.
CommitDistill est un prototype Python open-source qui extrait des unités de connaissance typées (Facts, Skills, Patterns) de l'historique git local via regex déterministe et les expose via un retriever TF-IDF. Testé sur 5 dépôts (25k commits), il atteint 0.750 hit-rate avec budget 256-char contre 0.333 pour BM25. Pas d'amélioration statistique détectable sur les bug-fixes en évaluation LLM-as-judge.
Étude d'une architecture Transformer récurrente à poids partagés (AIR) capable de développer deux rôles distincts sans partitionnement modulaire. Sur Sudoku-Extreme et Maze, l'état zH agit comme proposition engagée tandis que zL conserve l'incertitude locale. Les expériences de gel et ablations montrent que l'asymétrie d'injection d'entrée induit cette spécialisation fonctionnelle.
KairosHope est un modèle fondation pour séries temporelles remplaçant l'attention quadratique par une architecture dual-memory (modules Titans + Continuum Memory System). Pré-entraîné sur l'archive Monash via MTSM et contrastive learning, il fusionne représentations latentes et features statistiques. Résultats supérieurs sur UCR pour HAR et données capteurs.
Système tutoriel intelligent fermé utilisant XGBoost pour évaluer les compétences de présentation orale via analyse multimodale (facial, vocal, textuel, oculomoteur). Entraîné sur 10 360 vidéos MOOC, il génère des retours alignés sur une échelle BARS 7 dimensions. Étude sur 204 apprenants sur 30 jours : améliorations significatives (Cohen's d = 0.39-0.90), corrélation forte entre fréquence de pratique et performance.
Des modèles de deep learning analysant expressions faciales et mouvements de tête dans des vidéos d'entretiens d'embauche asynchrones détectent l'honnêteté et la tromperie avec 91% et 84% de variance expliquée. Performance supérieure aux évaluateurs humains sur N=121 candidats.
FactorizedHMR propose un cadre hybride deux étapes pour la récupération de maillage humain en vidéo. Un module de régression déterministe stabilise le torse et la racine, tandis qu'un module probabiliste par flow-matching complète les articulations distales (bras, jambes) ambiguës. Supervision géométrique et guidance sans classificateur améliorent la récupération sous occlusion.
Pipeline RAG pour décoder du texte à partir de signaux EEG au niveau de la phrase. Combine un encodeur EEG aligné sur des embeddings sémantiques, une récupération vectorielle et un LLM pour raffiner les phrases. Sur le dataset ZuCo, amélioration de 30,45% vs baseline aléatoire (cosine similarity 0.181 vs 0.139).
CodeBind propose un cadre d'alignement multimodal utilisant un codebook compositif partagé-spécifique. Testé sur 9 modalités (texte, image, vidéo, audio, profondeur, thermique, tactile, nuage de points 3D, EEG), il atteint des performances SOTA en classification et retrieval multimodal sans nécessiter de données entièrement appairées.
Première méthode de machine unlearning pour les modèles de diffusion masqués (MDLMs comme LLaDA et Dream). MDU minimise la divergence KL entre prédictions conditionnelles et distribution inconditionnelle masquée, avec paramètre de température pour équilibrer confidentialité et utilité. Code disponible.
POOL, un nouvel algorithme RL préservant la vie privée, traite l'apprentissage par renforcement en espaces continus multi-dimensionnels avec retours partiels. L'analyse théorique démontre une complexité d'échantillon correspondant aux bornes inférieures du RL non-privé, réconciliant garanties de confidentialité fortes et efficacité d'apprentissage.
Visual Agentic Memory (VAM) est un framework sans entraînement pour la compréhension vidéo longue. Il combine indexation en ligne sélective, mémoire hiérarchique et récupération agentique. Sur OVO-Bench, VAM atteint 68.41 (vs 67.46 pour Gemini 3 Flash seul) et 17.11% sur MM-Lifelong (105.6h sur 51 jours).