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.
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.
SENSE est un framework génératif basé sur diffusion qui synthétise conjointement des images satellite urbaines réalistes et des cartes d'énergie/hauteur de bâtiments alignées. Testé sur NYC, Boston, Lyon et Busan, il génère des données annotées avec <20% de données étiquetées, améliorant la performance de prédiction de 10% IoU et réduisant l'erreur de 3-11% NMBE.
Framework agentic IA pour soutien psychologique par pairs en environnement militaire. Soldats formés comme facilitateurs pairs supervisent des agents IA spécialisés (triage, interventions, documentation) en settings sans connectivité. Prototype développé avec U.S. Army Health Center. Objectif : réduire évacuations, accélérer prise en charge, maintenir supervision humaine.
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).
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 d'implémentation de Google Notebook LM dans un cours d'anglais académique (106 étudiants, Hong Kong). Génération de vidéos, podcasts et infographies via RAG. Les étudiants ont apprécié les contenus visuels et multimodaux ; la préférence vidéo corrèle positivement avec les résultats académiques. La charge cognitive élevée impacte négativement les notes.
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.
Un framework agentic utilise un LLM pour assister les utilisateurs dans la ré-optimisation de modèles OR en temps réel. L'LLM traduit les demandes en modifications structurées du modèle, sélectionne des techniques de ré-optimisation et retourne des solutions implémentables. Testé sur chaîne logistique et planification d'examens universitaires.
Article de position argumentant qu'une architecture à trois couches probabilistes (intent/conformité, validité environnementale, faisabilité dynamique) est structurellement nécessaire pour déployer des agents LLM sûrs. Chaque couche doit certifier indépendamment une dimension de sécurité via des garanties probabilistes composables.
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.
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.
Vision-OPD propose une auto-distillation régionale-globale pour améliorer la compréhension visuelle fine des MLLMs. Le framework transfère la perception privilégiée du modèle sur des crops centrés sur les preuves vers sa politique pleine image, via minimisation de divergence KL entre distributions de tokens. Résultats compétitifs sur benchmarks de compréhension visuelle fine sans modèles externes ni labels.
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.
Apprentissage de modèles d'actions STRIPS+ levés à partir de traces partielles. Les auteurs relaxent les hypothèses précédentes en permettant une observabilité partielle des actions et états. Trois cas sont formalisés : sans observabilité d'état, avec observabilité complète de certains prédicats, avec observabilité locale. Résultats de complétude et expériences inclus.