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.
EmoMind décode des légendes affectives directement à partir de signaux fMRI en deux étapes : extraction de descriptions sémantiques neutres, puis réécriture via un vecteur émotionnel continu 34-dimensionnel. Utilise guidance sans classificateur pour équilibrer fidélité sémantique et expressivité affective. Surpasse GPT-4 sur deux datasets fMRI indépendants.
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.
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.
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.
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.
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.
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.
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.
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 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.
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.
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.
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.
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.
MR-SLAM est un système de réalité mixte utilisant un Meta Quest 3 pour téléopérer trois robots TurtleBot3 en SLAM collaboratif. L'opérateur voit le monde réel en passthrough avec des panneaux d'information ancrés spatialement. Trois instances SLAM Toolbox fusionnent leurs grilles d'occupation en temps réel via ROS 2, atteignant 94,7% de cohérence inter-robots et 8,83 Hz de scan.
Étude comparative de 29 techniques d'augmentation de données pour la segmentation échocardiographique 2D sur U-Net. Les transformations géométriques anatomiquement plausibles (affine, shift-scale-rotate, perspective, flip horizontal) améliorent la généralisation cross-dataset, tandis que les augmentations d'intensité agressives la dégradent. Les combinaisons par paires surpassent les augmentations individuelles.
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.
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.
ReTAMamba est un modèle basé sur Mamba pour prédire des séries temporelles cliniques irrégulières. Il estime la fiabilité des observations selon leur absence et le temps écoulé, intègre des informations multi-résolution via « Chronological Weaving », et utilise un routeur de tokens budgété. Sur MIMIC-IV, eICU et PhysioNet 2012, il améliore l'AUPRC de 7,51%, 7,80% et 10,15% respectivement.
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.
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.
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.
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.
Fre-Res propose une compression adaptative des tokens vidéo pour les MLLMs vidéo. Le framework sépare les détails spatiaux (ancres haute-fidélité) et l'évolution temporelle (tokens résidus-fréquence via DCT 1D). Un Spatial-Guided Absorber aligne les dynamiques fréquentielles avec les embeddings visuels. Résultats : performance proche du full-token avec réduction substantielle de la longueur des tokens.
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.
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.
GA-S2S combine T5-small et un réseau d'attention graphique relationnel (RGAT) pour la prédiction de liens dans les graphes de connaissances. Le modèle encode conjointement les caractéristiques textuelles et la topologie complète du sous-graphe k-hop autour de l'entité requête. Sur CoDEx, GA-S2S surpasse les baselines Seq2Seq avec un gain de 19% en précision.
StrLoRA introduit un cadre de tuning visuel continu en streaming pour MLLMs. Contrairement aux méthodes existantes limitées à des tâches prédéfinies, StrCVIT traite des flux de données avec tâches dynamiques et entrelacées. StrLoRA utilise un routage d'experts à deux étapes avec sélection consciente des tâches et pondération token-wise, stabilisé par régularisation.
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.
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.
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.
FedNL reformule l'apprentissage fédéré comme système d'optimisation imbriquée à trois niveaux. Intègre l'attention linéaire Titans pour adapter les modèles à l'inférence sans entraînement supplémentaire. Testé sur MMLU Non-IID et benchmarks long-contexte avec mémoire d'inférence constante.
UVTran, un framework basé transformers, résout le problème du remplissage de trous N-côtés en CAO. Il prédit une surface de projection auxiliaire via un mécanisme de cross-attention biaisé vers les points de contrôle proches, voxélise les coordonnées et utilise un entraînement multi-résolution. Sur benchmark, il améliore le taux de satisfaction de tolérance de 12% vs baselines industrielles et académiques.
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.
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.
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.
Framework pour la génération active de graphes de scènes 3D à partir de caméras RGB uniquement, sans capteurs de profondeur. Unifie perception et planification autour d'une représentation structurée. Sur Replica, atteint la parité F1 avec les baselines utilisant la profondeur ground-truth. La sélection de points de vue sémantique détecte 2× plus d'objets qu'une baseline géométrique.
SAGE, un framework d'auto-évolution, améliore le raisonnement spatial des VLMs en appliquant une cohérence logique via des opérations géométriques et linguistiques. Intégré comme étape de post-training GRPO légère, il corrige les incohérences sous transformations prédictibles et montre des gains sur benchmarks vidéo et spatial.
Article théorique proposant des optimiseurs respectant les symétries des architectures neuronales modernes. Introduit des règles de mise à jour équivariantes pour embeddings, têtes LM, MLPs SwiGLU et routeurs MoE. Validation sur modèles denses et sparse MoE (Qwen3, Gemma 3, OLMoE, gpt-oss) montrant amélioration de la perte de validation vs AdamW.