ViTC-UNet combine un Vision Transformer pré-entraîné gelé avec un UNet conditionné par tokens apprenables et un décodeur d'attention bidirectionnel. L'approche améliore la segmentation sémantique biomédicale sur IRM et CT sans fine-tuning end-to-end, en ajoutant le biais inductif local des UNets aux priors visuels globaux des ViTs.
Action-Gradient MCTS (AGMCTS) combine recherche arborescente globale et optimisation d'actions par gradient local pour la planification en ligne dans des espaces continus. Trois contributions théoriques : théorème de gradient de score d'action, arbre MIS pour réutiliser les échantillons, gradients tractables via formule d'aire. Surpasse les solveurs basés sur l'échantillonnage sur benchmarks MDP/POMDP continus.
Modèle d'agent IA avec trois systèmes de mémoire (court terme, épisodique, sémantique) inspirés de la cognition humaine, chacun représenté par un graphe de connaissances. Évaluation via un environnement RL custom « the Room ». L'agent Deep Q-learning apprend à encoder, stocker et récupérer les mémoires pour répondre à des questions. Surpasse un agent sans cette structure.
OASIS, une technique basée sur la signalisation inter-couches, réduit les attention sinks et les outliers d'activation dans les architectures AttnResidual. Sur trois datasets, OASIS diminue la norme infini maximale de 9.26%, la kurtosis de 2.60%, et améliore la performance post-quantization (W8A8: -75.85% perplexité, W4A4: +12.42% GSM8K).
MARR propose une méthode de quantification post-entraînement basse précision (≤4-bit) pour LLMs et Vision Transformers. Elle utilise des coefficients d'échelle adaptatifs par module pour équilibrer la correction d'erreur accumulée et le biais introduit par les résidus, via une stratégie de mise à jour basée PID. Gains jusqu'à 20,2% sur LLMs et 4,6% sur ViTs.
Étude contrôlée comparant les étiquettes souples humaines vs synthétiques sur MNIST. Les labels humains améliorent la calibration en régularisant les prédictions sur les échantillons difficiles et en alignant l'incertitude du modèle avec celle des humains, au-delà de la simple correction d'erreurs d'étiquetage.
Graph Hierarchical Recurrence (GHR) est un nouveau framework pour les GNNs et Graph Transformers qui capture les dépendances longue portée via une abstraction hiérarchique par pooling. GHR surpasse les modèles existants sur les benchmarks longue portée avec 1% des paramètres des SOTA, et améliore la généralisation hors-distribution.
Étude sur la coexistence mémorisation-généralisation dans les réseaux de neurones sur-paramétrés. Avec 80% de bruit d'étiquettes sur des tâches arithmétiques, les modèles mémorisent les labels bruyants mais conservent une structure interne de généralisation. Extraction par méthodes fréquentielles : précision quasi-parfaite. Partitionnement en composantes généralisation/mémorisation proposé.
FedSDR propose une approche fédérée pour l'affinage des LLM face à l'hétérogénéité statistique. La méthode combine l'auto-distillation (FedSD) avec un mécanisme dual-stream : une branche LoRA-S locale pour absorber l'hétérogénéité et une branche LoRA-R globale ancrée aux données brutes pour garantir la fidélité factuelle.
PromptDecipher est un système d'authoring pour chatbots tutoriels IA qui restructure le workflow autour de corrections directes plutôt que de prompts système abstraits. Les enseignants interagissent avec un aperçu de chat en direct, éditent les réponses indésirables du bot, et un pipeline automatisé propose des rewrites de prompts validés sur des scénarios de test prédéfinis.
RAGA est un agent autonome basé LLM pour la construction de graphes de connaissances et la génération augmentée par récupération. Il remplace les pipelines batch stateless par une boucle ReAct avec opérations CRUD complètes, synchronisation KG-vecteur hybride et vérification ancrée aux sources. Tests sur QASPER montrent des gains mesurables en qualité de réponses et preuves.
Méthode de calibration post hoc pour modèles Deep Cox utilisant la régression isotonique. Améliore la calibration des probabilités de survie prédites sans affecter le pouvoir discriminant. Garanties théoriques incluant double-robustesse et calibration asymptotique, validées sur données synthétiques et cliniques réelles.
HGPM (Hypergraph Pattern Machine) modélise les interactions d'ordre supérieur en tokenisant les sous-ensembles compositionnels et en utilisant un Transformer conscient de l'inclusion. Sur 10 benchmarks hypergraphes, la méthode égale ou surpasse l'état de l'art, notamment en prédiction d'événements indésirables en polypharmacologie où elle identifie correctement les combinaisons de médicaments inhibitrices.
Étude préenregistrée (N=418) sur la calibration de la confiance en IA explicable : exposer les limitations du modèle améliore légèrement l'alignement entre confiance utilisateur et performance réelle en classification de lésions cutanées, mais l'expérience directe prime sur les manipulations d'onboarding.
Étude sur l'utilisation de l'incertitude prédictive pour la décision autonome/déférence en robotique. Sur trois benchmarks de reconnaissance d'activité temporelle, l'incertitude ne fournit un classement d'erreurs fiable que si le modèle de base est suffisamment compétent. Softmax, MC Dropout et ensembles produisent des comportements similaires ; le choix du seuil a plus d'impact que la méthode d'incertitude.
Nouveau benchmark VQA clinique UCSF-PDGM-VQA : 2 387 paires question-réponse sur 473 études IRM de gliomes. Évaluation de 6 VLMs et 1 LLM révèle que les modèles actuels échouent sur les IRM multi-séquences 3D, souffrant d'effondrement de modalité et de surcharge de priors linguistiques.
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).
Teger, un module d'incertitude structuré, améliore la prédiction de séries temporelles spatio-temporelles en atténuant le sur-compression d'information (over-squashing) via un mécanisme de réécriture de graphe basé sur la courbure de Forman. Intégré à une tête de covariance low-rank-plus-diagonal, Teger est agnostique au backbone et montre des gains CRPS constants sur LSTM, Transformer et xLSTM.
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.
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 empirique des chaînes de fuite de données via injection de prompts dans des environnements de chatbot boîte noire. Les chercheurs analysent comment un attaquant peut détourner les tâches d'un agent LLM en injectant du contenu malveillant dans des sources externes (pages web). Ils introduisent la technique « exemplification » et démontrent une chaîne d'exfiltration de données fonctionnelle.
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.
Vision Inference Former (VIF) est un module architectural léger qui améliore la cohérence visuelle dans les modèles multimodaux. Il injecte continuellement les sémantiques visuelles pendant la génération pour contrer l'affaiblissement de l'alignement vision-langage sur de longues séquences. Testé sur 14 benchmarks (raisonnement, OCR, tableaux), VIF améliore les performances avec surcharge minimale.
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).
PAREDA est un dataset de speech multi-accent (australien, indien, chinois) contenant des discussions spontanées sur des papers NLP. Les modèles ASR SOTA montrent une dégradation en zero-shot, mais le fine-tuning réduit significativement le WER, validant la richesse du corpus pour les systèmes ASR robustes.
Framework RGB pour la génération active de graphes de scènes 3D (3DSG) utilisant des caméras externes fixes comme cartes de contexte préalable. Le système fusionne observations de caméras embarquées et externes dans un pipeline unique, guidant le robot vers les régions d'incertitude sémantique élevée. Une seule caméra externe augmente le rappel d'objets initial de +79%.
BiKD propose un framework bilevel pour équilibrer dynamiquement les pertes hard et soft en distillation de connaissance sur données déséquilibrées. Un réseau de génération de poids produit des pondérations adaptatives par échantillon, guidé par un ensemble de validation équilibré. Expériences sur CIFAR-10/100 long-tailed montrent des gains sur les méthodes récentes.
HyperPersona propose un framework hypergraphe multi-niveaux pour prédire la personnalité à partir de texte. Le modèle représente documents, phrases et mots comme hyperedges et nœuds, capturant dépendances globales, locales et lexicales. Évalué sur les Big Five, il surpasse les baselines existantes en intégrant la hiérarchie textuelle.
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.
PIPER est une méthode de recherche de tables basée sur le contenu utilisant des profils de tables et des pseudo-requêtes générées par LLM pour la récupération dense. Elle surpasse les approches basées sur les métadonnées et les méthodes TableQA existantes dans les contextes de métadonnées pauvres.
COCOCO, un framework post-hoc, intègre la Conformal Prediction aux modèles neuro-symboliques basés sur concepts (NeSy-CBMs) pour améliorer la fiabilité. Il conformalise concepts et labels conjointement via une étape de révision déduction-abduction, garantissant cohérence, couverture et concision sans hypothèse distributionnelle. Testé sur 8 datasets.
SpatioRoute est une approche de routage dynamique de prompts pour le question-answering spatial sur vidéo égocentrique. Sans fine-tuning, elle route chaque question vers un template de prompt spécialisé (mode rule-based ou LLM-driven) et atteint +5% de précision sur SQA3D comparé aux baselines, établissant un SOTA en zéro-shot sans données 3D.
Article théorique sur l'effondrement constant dans les VAE (variational autoencoders), où l'encodeur devient indépendant de l'entrée. Les auteurs proposent un certificat témoin simplex pour détecter et prévenir ce mode de défaillance durant l'entraînement, avec baseline exacte et inverse en forme fermée.
Nouvelle méthode d'optimisation pour les LLM avec longs contextes : attention-state memory externalise le préfixe en mémoire légère de lookup sans entraînement. Sur LLaMA-3.1-8B, réduit latence attention de 1.36x à 8K tokens et surpasse RAG full-attention avec 20% moins de mémoire.
TAPE, une méthode de pruning sans entraînement pour la génération vidéo par diffusion, réduit la complexité computationnelle en supprimant intelligemment les tokens tout en préservant la cohérence temporelle. Elle applique un lissage temporel entre frames, réalectionne les tokens par couche et ajuste le budget selon les étapes de diffusion.
Méthode EBOMLC pour corriger les labels bruyants via optimisation bilevel efficace. Utilise un modèle meta entraîné sur données propres pour corriger un grand dataset bruyant. Réduit coût computationnel des hypergradients et améliore stabilité sur CIFAR-10/100 avec taux de bruit élevé.
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.
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.
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.
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).