Étude de l'implicit bias de Sharpness-Aware Minimization (SAM) sur réseaux linéaux diagonaux en classification binaire. Pour L=1, ℓ∞-SAM et ℓ2-SAM retrouvent le max-margin classifier ℓ2 comme la descente de gradient. À L=2, ℓ2-SAM exhibe un phénomène de « sequential feature amplification » : le prédicteur s'appuie d'abord sur les coordonnées mineures avant de basculer vers les majeures, contrastant avec GD.
Étude sur 189 participants résolvant des problèmes d'arithmétique en allumettes. Les participants exposés à des problèmes similaires (groupe Same) progressent plus vite et verbalisent davantage les caractéristiques du problème. L'analyse NLP du discours révèle que les insights transférables se distinguent par leur accessibilité au rapport verbal.
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.
Approche pour traiter les vidéos de caméras corporelles (BWC) en fenêtres de 10 secondes étiquetées selon le contexte opérationnel et l'intensité motrice. Modèles entraînés avec CLIP et optical flow : 78,75% de précision pour le contexte, 88,33% pour l'activité. Protocole respectueux de la vie privée pour accélérer l'analyse et la formation des agents.
DeepArrhythmia est un framework multimodal pour la classification d'arythmies ECG au niveau du battement cardiaque. Il combine signal brut et image de forme d'onde, localise les pics R, et utilise des outils spécialisés pour l'extraction de rythme et morphologie. Le système route sélectivement entre états de preuve minimal et riche selon la confiance au niveau du segment.
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.
LightZeroNav résout la navigation vision-langage zéro-shot en environnements continus avec des VLMs légers. Basé sur Qwen3-VL-8B, le système gère la redondance informationnelle, l'estimation de progression et l'enchevêtrement des tâches. Performance comparable à GPT-4o sans entraînement spécifique ni prédicteurs de waypoints.
L-Drive propose un cadre de prévision de séries temporelles multivariées sensible aux changements de régime. Le modèle introduit un contexte latent pour caractériser la dynamique et utilise des fonctions de position relative pour améliorer la modélisation structurelle intra-segment, réduisant ainsi l'accumulation d'erreurs aux points de basculement.
VLM-AutoDrive est un framework de post-training pour adapter les Vision-Language Models à la détection d'anomalies critiques en conduite autonome. Sur des vidéos dashcam Nexar, le fine-tuning améliore le F1 de collision de 0.00 à 0.69 et la précision globale de 35.35% à 77.27% comparé à NVIDIA Cosmos-Reason1 7B en zero-shot.
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.
SEMA-RAG est un framework multi-agent pour la génération augmentée par récupération (RAG) appliquée au raisonnement médical. Il décompose le processus en trois agents spécialisés : interprétation clinique, exploration itérative de documents, et adjudication des preuves. Testé sur 5 benchmarks et 5 backbones LLM, il améliore les baselines de +6,46 points de précision en moyenne.
Framework multi-enseignants collaboratifs pour la segmentation sémantique d'images sonar. Combine un enseignant général et plusieurs enseignants spécialisés sonar avec mécanisme d'évaluation de fiabilité des pseudo-labels. Sur FLSMD avec 2% de données étiquetées : +5.08% mIoU vs SOTA.
AuthorMix propose un cadre modulaire de transfert de style d'auteur via des adaptateurs LoRA spécifiques à chaque style, mélangés par couche. Entraîné sur peu d'exemples, il surpasse les baselines SoTA et GPT-5.1 en préservant mieux le sens du texte original.
Framework de deep reinforcement learning pour allocation dynamique de portefeuille sur marchés actions globaux. Soft Actor-Critic optimise les poids continus avec coûts de transaction et contraintes de diversification. Évaluation sur Nasdaq-100, Nikkei 225, Euro Stoxx 50 (2003-2026) : rendements anormaux significatifs sur Euro Stoxx 50, mais pas de surperformance statistique vs Buy and Hold sur tous les marchés.
QuantFPFlow intègre l'estimation d'amplitude quantique (Grover) dans l'optimisation stochastique de politique via la formulation de Fokker-Planck. Speedup quadratique théorique O(1/ε) vs O(1/ε²) classique. Sur tâche continue multimodale, surpasse SAC (1295.7 vs 1284.0 reward) et découvre l'optimum global 10.4% plus souvent (33.9% vs 30.7%).
Pipeline agentic pour suivi d'angles articulaires multi-vue sans calibrage en environnements non contrôlés. Utilise deux caméras, synchronisation automatique par LLM multimodal, détection de pose 2D et sélection basée agent pour identifier le sujet cible. Validation contre système Vicon : MAE 5.97° ± 2.36°, corrélation Pearson 0.962 ± 0.014. Application : réhabilitation patients lésion médullaire.
Framework de modélisation temporelle pour prédire l'abandon d'études supérieures via données LMS et dossiers administratifs. Régression logistique pénalisée sur données person-period atteint AUC 0.8405 (test). Couche de simulation contrefactuelle évalue l'impact de politiques d'intervention sur la survie académique avec contrastes positifs limités (ΔS max 0.0819).
Nouvel algorithme d'imitation adversariale combinant apprentissage hors-politique avec stabilisation par double Q-network. Réduit l'inefficacité échantillonnale de GAIL en éliminant la dépendance aux algorithmes on-policy (TRPO) et l'ingénierie de récompenses.
Un transformer léger prédit les gestes iconiques co-verbaux des robots à partir du texte et de l'émotion, sans audio à l'inférence. Le modèle surpasse GPT-4o sur la classification de placement et la régression d'intensité sur BEAT2, tout en restant compact pour le déploiement temps réel.
Étude comparant OpenAI o3 et Google Gemini 2.5 Pro comme modèles de comportement humain au volant dans un scénario de fusion simplifié. Les LLMs reproduisent le contrôle opérationnel intermittent et les dépendances tactiques, mais échouent à capturer les réponses aux indices de vélocité dynamique. Les ablations de prompts révèlent des biais inductifs non transférables entre modèles.
DPrivBench est un benchmark évaluant la capacité des LLM à raisonner sur la confidentialité différentielle (DP). Le benchmark teste si des fonctions satisfont des garanties DP spécifiées. Les modèles les plus forts maîtrisent les mécanismes classiques mais échouent sur les algorithmes avancés, révélant des lacunes significatives en DP reasoning.
CoLLM unifie l'affinage fédéré (FL PEFT) et l'inférence sur des clusters GPU partagés en edge. Le système coordonne en temps réel le partage de paramètres via des stratégies d'adaptateurs fantômes et équilibre dynamiquement les charges pour optimiser qualité du modèle et latence. Évaluation montre 3x meilleur goodput vs systèmes existants.
CAVE est une méthode d'attribution de crédit basée sur GRPO pour améliorer le raisonnement visuel fragmenté dans les VLMs. Elle évalue les étapes intermédiaires via trois signaux : mise à jour des croyances, acquisition de preuves et contrôle adaptatif du focus. TRACER-Bench, un nouveau benchmark, évalue le raisonnement sur quatre dimensions non-locales et sémantiquement confusables.
Méthode d'inférence adaptative pour YOLOv8 en navigation maritime autonome. Un mécanisme d'early-exit utilise les données GPS de trajectoire (distances inter-navires, vitesses de convergence) pour activer partiellement le réseau. Réduit temps d'inférence et coûts computationnels tout en maintenant la performance de détection.
DARE-EEG est un modèle fondation auto-supervisé pour l'EEG qui apprend des représentations invariantes aux observations incomplètes via alignement dual (mask alignment + anchor alignment). Évalué sur plusieurs benchmarks EEG, il atteint l'état de l'art avec faible complexité paramétrique et meilleure portabilité cross-dataset.
MedSynapse-V propose un cadre pour l'évolution de la mémoire diagnostique latente en imagerie médicale. Via des mécanismes de mémorisation de requêtes méta et d'affinement contrefactuel causal (CCR), le modèle synthétise dynamiquement des mémoires diagnostiques implicites alignées avec la logique clinique. Évaluations sur plusieurs datasets montrent des gains significatifs vs. état de l'art.
Étude arXiv identifiant une nouvelle classe d'attaques par jailbreak : le « wide-net-casting » où un adversaire interroge plusieurs grands modèles simultanément pour contourner les garde-fous. Les chercheurs développent une méthode de jailbreak spécialisée atteignant 100% de succès sur certains modèles non protégés, révélant des risques de sécurité majeurs.
1BT (One-Block Transformer) est un modèle compact pour évaluer la charge cognitive via EEG. Avec <0,5M paramètres et 0,02 GFLOPs, il utilise une bottleneck latente minimale et cross-attention unique. Testé sur 11 participants (raisonnement abstrait, calcul, jeu vidéo), il atteint haute performance en classification de charge cognitive pour déploiement temps réel.
MA-GIG améliore l'attribution de features en guidant les chemins d'intégration dans l'espace latent d'un VAE pré-entraîné, réduisant l'exposition aux régions bruitées hors-manifold. Évaluation qualitative et quantitative sur plusieurs datasets montre des explications plus fidèles que les méthodes antérieures.
JSON-Bag tokenise les descriptions JSON de trajectoires de jeu et utilise la distance Jensen-Shannon pour les comparer. Testé sur 6 jeux de plateau (7 Wonders, Dominion, Connect4, etc.), le modèle surpasse les baselines sur la classification d'agents, paramètres et seeds. Efficace en few-shot et permet l'extraction automatique de features.
Un modèle de diffusion conditionnel basé sur U-Net synthétise des données IMU virtuelles haute fidélité à partir de capteurs IMU bas coût. Entraîné sur des mesures IMU haut de gamme comme références, le modèle améliore significativement la précision en positionnement et estimation d'attitude, et produit des nuages de points plus fins en cartographie aérienne.
Article sur le rendu haptique de matériaux viscoélastiques fractionnaires. Les auteurs dérivent des conditions de passivité pour les modèles SLS (Standard Linear Solid) d'ordre fractionnaire sous discrétisation à mémoire courte, généralisant les résultats pour modèles Kelvin-Voigt, Maxwell et SLS entiers. Validations expérimentales et évaluations humaines incluses.
Nouvelle décomposition mathématique des modèles génératifs stochastiques : le champ de vitesse déterministe se sépare en transport marginal (u_t) et effet osmotique (d_t). Framework Bridge Matching apprend cette décomposition pour un échantillonnage contrôlable et interprétable.
Analyse de la convergence de l'itération Q-value déflatée via le cadre du rayon spectral joint (JSR) pour les processus de décision markoviens. Les auteurs montrent que la déflatation avec correction résiduelle all-ones révèle une géométrie de convergence plus précise en supprimant une direction invariante redondante, potentiellement améliorant la caractérisation du taux de convergence au-delà de la borne γ standard.
PQR est un framework qui génère automatiquement des requêtes utilisateur réalistes pour identifier les défaillances des agents QA basés sur LLM. Via une boucle itérative entre raffinement de requêtes et raffinement de prompts, PQR découvre 23-78% plus de réponses non-utiles qu'avant, avec des requêtes plus diversifiées et réalistes.
ConSPO, une nouvelle approche d'optimisation de politique au niveau des séquences, améliore GRPO en remplaçant les scores basés sur les ratios écrêtés par des log-probabilités normalisées et en utilisant un objectif contrastif de type InfoNCE. Évaluée sur des benchmarks de raisonnement mathématique, ConSPO surpasse plusieurs baselines RLVR.
Framework multi-étapes pour détecter les insultes réappropriées en contexte multilingue (anglais, espagnol, italien). Utilise XLM-RoBERTa avec augmentation de données via back-translation GPT-4o-mini, undersampling dynamique et affinage des seuils de décision par langue. Amélioration de 2-5% en F1 sans réentraînement.
ARES-LSHADE, variante d'évolution différentielle conçue par LLM, remporte 510/744 victoires sur le benchmark GNBG (GECCO 2026). L'algorithme combine mutation adaptative CMA-ES et polish L-BFGS-B, générés via 30 expériences d'autoresearch. Atteint la précision machine sur 18/24 fonctions; 6 restantes montrent des plateaux caractéristiques. Code disponible.
TaTok propose une tokenization adaptative d'images basée sur l'entropie informationnelle. Le framework introduit des tokens globaux modélisant l'information mutuelle entre patch tokens et un algorithme de filtrage dynamique éliminant la redondance. Résultats : amélioration gFID de 1.3x et accélération d'inférence de 8.7x.
Framework neurosymbolic combinant Swin Transformers, focal set reasoning et logique floue différentiable pour la classification d'images hiérarchiques. Capture l'incertitude épistémique via des focal sets dans l'espace d'embedding et applique des contraintes logiques via fonctions d'appartenance floue pour assurer la cohérence entre prédictions fines et grossières.