Étude empirique systématique des capacités d'apprentissage en contexte des transformers sur des tâches de classification binaire Gaussienne. Les auteurs analysent comment la précision dépend de la dimension d'entrée, du nombre d'exemples en contexte et de la diversité des tâches d'entraînement. Ils caractérisent l'émergence du surapprentissage bénin et identifient les régions paramétriques critiques.
Article proposant un framework d'apprentissage non-supervisé pour le débruitage de CT hépatique basse dose. Combine U-Net, mécanismes d'attention et réseaux résiduels avec perte perceptuelle. Validé sur dataset clinique réel avec évaluation par radiologues.
MindMelody est un système fermé en temps réel qui génère de la musique personnalisée à partir de signaux EEG. Un modèle Transformer-GNN décode l'EEG en états émotionnels (Valence-Arousal), un LLM avec RAG formule des plans d'intervention, et un contrôleur EEG hiérarchique guide la synthèse audio. Une boucle de rétroaction continue adapte les paramètres selon l'EEG de l'utilisateur.
Experiment-as-Code Labs propose un paradigme où les expériences scientifiques sont encodées en configurations déclaratives compilables vers des APIs d'instruments. Les agents IA formulent des hypothèses, un système effectue analyses de programme et orchestration, puis les expériences s'exécutent via contrôle d'équipements physiques. Stack générique science/lab/instrument-agnostique.
Étude sur l'efficacité du replay non-uniforme en RL off-policy. Les auteurs identifient trois facteurs clés : volume de replay, récence des transitions et entropie de la distribution d'échantillonnage. Ils proposent Truncated Geometric replay, qui privilégie les expériences récentes tout en maintenant haute entropie, améliorant l'efficacité d'échantillonnage en régimes bas-volume.
Framework de causal inference pour stress testing financier en données de panel avec traitement continu sans groupe contrôle. Propose une enveloppe de confounding en forme fermée paramétrée par deux sensibilités, combine identification partielle et conformal prediction pondérée. Montre que modèles prédictifs standard restent biaisés causalement sur données de chômage US.
Les pipelines RL asynchrones pour agents LLM perdent les anciens logits historiques nécessaires à la correction off-policy PPO, entrelançant correction de discordance et correction de staleness. L'article propose trois stratégies d'acquisition (snapshot, modèle dédié, interruption) et une méthode PPO-EWMA approximée pour préserver la sémantique de correction découplée.
Les méthodes d'apprentissage par étiquettes complémentaires (CLL) restent limitées aux classifications à 10 classes. Cet article propose BICL, un cadre qui utilise intentionnellement des matrices de transition biaisées (non-uniformes) pour restreindre les étiquettes complémentaires. Sur CIFAR-100 et TinyImageNet-200, BICL améliore la précision de plus de 7× par rapport aux méthodes traditionnelles.
Des chercheurs montrent que combiner des représentations acoustiques et prédictives d'un réseau de neurones artificiels améliore l'identification musicale à partir d'activité cérébrale (EEG). Les modèles préentraînés sur ces deux types de représentations surpassent les baselines et leurs gains sont complémentaires. Cette approche ouvre la voie à des modèles EEG génériques fondés sur les principes du codage cortical.
Étude montrant que deux protocoles d'évaluation de redondance dans les transformers (replacement et interchange) donnent des résultats divergents pour identifier les couches à élaguer. Sur Pythia, Qwen3-8B et Llama-3.1-8B, l'écart entre les protocoles change drastiquement les couches jugées sûres à supprimer, même avec le même évaluateur KL.
Outil computationnel pour classifier les verbes de manière et de résultat à grande échelle. Utilise des prompts linguistiques avec LLM pour générer des annotations sur MASC et InterCorp (436 classes VerbNet). Classifier RoBERTa atteint 89,6% de précision sur trois datasets gold-standard. Applicable à la recherche développementale sur la sémantique verbale.
Des chercheurs proposent LAD-inspired PPT, un pré-préentraînement sur MP-STRUCT, un langage formel encodant composition hiérarchique et déplacement à longue distance. Après 500 étapes, cette approche égale les baselines formels en efficacité tokens tout en conférant aux LLMs une résistance aux langages structurellement implausibles, similaire aux humains.
MemOCR est un agent mémoire multimodal qui compresse les historiques d'interaction longues en images structurées avec densité informationnelle adaptative. Entraîné par RL avec objectifs sensibles au budget, il surpasse les baselines textuelles sur des benchmarks QA multi-hop et mono-hop sous contraintes de contexte extrêmes.
RTI-Bench est un dataset structuré de 1 516 décisions de la Commission indienne d'information (CIC) avec étiquettes de résultats, citations d'exemptions et composants de raisonnement IRAC. Mistral 7B atteint 57,3% de précision en prédiction de résultats (baseline 14,3%). Premier dataset public pour l'analyse des décisions RTI indiennes.
JSPG propose un cadre de filtrage dynamique pour l'ASR contextuelle en chinois combinant features sémantiques, pinyin et glyphes. L'approche utilise un algorithme Smith-Waterman étendu pour scorer les séquences d'hypothèses N-best. Tests sur Aishell-1 et RWCS-NER montrent amélioration significative de la reconnaissance de mots-clés.
Nouvel benchmark DDR-Bench évalue l'intelligence investigatrice des LLM : capacité autonome à explorer des bases de données et extraire insights sans requête explicite. Les modèles frontière montrent une agentivité émergente mais peinent sur l'exploration long-horizon. L'étude distingue intelligence investigatrice (fixer ses propres buts) vs exécutionnelle (compléter des tâches assignées).
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.
Les grands modèles de raisonnement (LRM) génèrent des traces alignées avec les temps de réaction humains, mais cet alignement persiste indépendamment du budget de raisonnement en inférence. Étude sur GPT-OSS-20B et GPT-OSS-120B : l'allocation de tokens suit les patterns de difficulté humains et reste invariante across effort levels, suggérant que l'alignement cognitif est figé au training time.
Nouvelle méthode pour estimer les courbes Precision-Recall des modèles génératifs via classification binaire. Framework statistique avec bornes minimax et extension des métriques PR existantes. Analyse expérimentale sur plusieurs configurations.
GVGAI-LLM est un benchmark de jeux vidéo pour évaluer le raisonnement spatial et la résolution de problèmes des LLM. Basé sur le framework General Video Game AI, il contient 118 jeux en ASCII testant la planification et le raisonnement logique. Les évaluations zéro-shot révèlent des limitations persistantes des modèles actuels en raisonnement spatial, partiellement améliorées par prompting structuré.
R2M (Real-Time Aligned Reward Model) propose une nouvelle approche RLHF pour réduire l'overfitting du modèle de récompense. Au lieu de s'appuyer uniquement sur les représentations sémantiques, R2M utilise les états cachés évolutifs de la politique pour s'aligner en temps réel avec les changements de distribution pendant l'entraînement par renforcement.
Étude contrôlée comparant les étiquettes souples humaines vs synthétiques sur MNIST. Les étiquettes humaines améliorent la calibration du modèle et l'alignement avec l'incertitude humaine, au-delà de la simple correction d'erreurs d'annotation. Révèle que la valeur principale réside dans la régularisation et la convergence stable.
SkillTTA synthétise des compétences textuelles spécifiques à la tâche en récupérant des trajectoires d'entraînement pertinentes, sans mettre à jour les paramètres du modèle. Évalué sur SpreadsheetBench, ALFWorld et BigCodeBench : SpreadsheetBench passe de 0.397 à 0.505 en Pass@1, BigCodeBench de 0.517 à 0.651.
PluRule est un benchmark multimodal multilingue pour la modération de communautés pluralistes sur les réseaux sociaux. Il couvre 13 371 violations de règles dans 1 989 communautés Reddit (9 langues, 2 885 règles). Les modèles vision-langage de pointe, y compris GPT-4.5 avec raisonnement avancé, ne surpassent que marginalement une baseline triviale.
SIPO stabilise l'alignement des modèles de diffusion sur les préférences humaines en résolvant l'instabilité d'entraînement et le biais off-policy. La méthode introduit DPO-C&M pour clipper les timesteps non-informatifs et un schéma de pondération par importance conscient des timesteps. Tests sur SD1.5, SDXL, CogVideoX-2B/5B et Wan2.1-1.3B montrent amélioration vs Diffusion-DPO.
Article arXiv proposant une solution au surapprentissage catastrophique (CO) en entraînement adversarial rapide. Les auteurs contrôlent la norme lp d'entraînement plutôt que d'ajouter du bruit ou de la régularisation. Ils quantifient la concentration de gradient via le Participation Ratio et l'entropie, développant un FGSM-lp adaptatif qui ajuste automatiquement la norme d'entraînement.
AgentRevive propose un cadre Markov pour l'évolution résiliente de systèmes multi-agents LLM. Au lieu de supprimer agressivement les agents défaillants, la méthode utilise des transitions d'état souples (Actif/Standby/Terminé) avec un estimateur de risque d'hallucination. Résultats : surpasse les baselines sur raisonnement général, tâches spécialisées et défis d'hallucination, réduisant la consommation de tokens.
COLSON applique l'apprentissage par renforcement basé sur diffusion à la navigation sociale de robots mobiles en environnements dynamiques. La méthode dépasse les approches gaussiennes en flexibilité d'action et s'adapte à des scénarios non vus en entraînement (obstacles statiques, objectifs variables) sans réentraînement.
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.
ReAlignFit, une méthode d'apprentissage relationnel moléculaire, améliore la stabilité des modèles en alignant les représentations de sous-structures via un biais inspiré du mécanisme chimique d'ajustement induit. Testée sur 9 datasets, elle surpasse les modèles existants et renforce la robustesse face aux changements de distribution (règles et scaffolds).
Des chercheurs proposent UALM (Unified Agent Lifecycle Management), un cadre de gouvernance pour les systèmes d'IA agentiques en santé. Le modèle adresse la prolifération d'agents (agent sprawl) via cinq couches de contrôle : registre d'identité, orchestration, gestion des données PHI, application de politiques runtime avec kill-switch, et décommissionnement lié à la révocation de credentials.
Étude sur le biais de genre extrinsèque dans les modèles de langage préentraînés en bengali. Construction de 4 datasets annotés manuellement (analyse de sentiment, détection de toxicité, discours haineux, sarcasme) avec perturbations de genre minimales. Proposition de RandSymKL, stratégie de débiaisage combinant divergence KL symétrique et perte cross-entropy, réduisant le biais tout en maintenant la précision.
Étude arXiv sur la fiabilité des systèmes RAG (Retrieval-Augmented Generation). Propose Trust-RAG Compass, un cadre évaluant 6 dimensions : factualité, robustesse, équité, transparence, responsabilité, confidentialité. Introduit TRC Bench, benchmark d'évaluation comparant modèles propriétaires et open-source.
UxSID propose une architecture pour modéliser les séquences utilisateur ultra-longues via des Semantic IDs et une attention dual-level. Le framework équilibre efficacité computationnelle et conscience sémantique, atteignant SOTA et +0.337% de lift revenue en test A/B publicité large-scale.
TruthMarketTwin, un framework de simulation multi-agents, étudie le comportement stratégique d'agents LLM dans les marchés e-commerce. Les agents exploitent autonomement les faiblesses des systèmes de réputation, tandis que l'application de garanties réduit la tromperie et modifie le raisonnement stratégique.
Benchmark pilote pour traduire le langage naturel en logique du premier ordre (FOL) dans l'exploration planétaire. Dataset construit à partir de documentation NASA (missions 2003-2013), annoté manuellement avec représentations FOL capturant structure temporelle, rôles d'agents et dépendances opérationnelles. Vocabulaires de prédicats structurés fournis.
AMATA est un framework multi-agent adaptatif pour le question-answering intensif en connaissances. Six agents spécialisés collaborent via des actions structurées pour améliorer la cohérence factuelle et réduire les hallucinations. Le système formalise la collaboration comme un problème d'alignement de trajectoires avec apprentissage des préférences intra et inter-agents.
Nouvelle approche de topic modeling (SBTA) qui assigne des topics à des segments de texte plutôt qu'à des documents entiers, réduisant la contamination thématique. Les auteurs créent SemEval-STM, un dataset annoté via LLM + révision humaine, et valident l'amélioration de la qualité et interprétabilité sur plusieurs modèles.
Étude comparative de 10 workflows d'annotation pour la résumé de parole conversationnelle. Les résumés basés sur audio sont moins informatifs que ceux basés sur transcripts, mais l'édition itérative par pairs avec audio compense cette différence. Validation de cette approche pour créer des benchmarks intégrant informations lexicales et prosodiques.
VHYDRO est un filtre variationnel hybride pour la dynamique robotique en contact. Il prévient la perte de branches en mélangeant la proposition apprise avec une loi de transition réalisable avant l'échantillonnage. Le modèle infère conjointement un état latent continu et un mode de contact discret, récupérant des lois port-hamiltoniennes éparses par régime.