Méthode d'inférence bayésienne amortie basée sur le transport pour les problèmes inverses non-linéaires. Apprend une carte observation-dépendante minimisant une distance énergétique moyenne entre la vraie postérieure et l'approximation. Sans vraisemblance, sans contrainte d'inversibilité. Validée sur problèmes inverses finis et PDE (écoulement poreux, sismique).
Un article de recherche propose une architecture 6G centrée sur le contrôle des opérateurs plutôt que sur la technologie. Il introduit le « 6G Control Compact » (taxonomie de propriété) et l'« Économie de Garanties » (modèle commercial basé sur les résultats). Rakuten Mobile, premier déploiement Open RAN national entièrement cloud-native, démontre la faisabilité avec rentabilité EBITDA en 2025.
VaCoAl, une mémoire hyperdimensionnelle basée sur les corps de Galois et les registres à décalage, fournit un substrat algébrique unifié pour Vector-HaSH et la Tolman-Eichenbaum Machine. L'approche mappe deux régimes VaCoAl aux voies hippocampiques EC-CA3 et EC-DG-CA3, connecte la diffusion déterministe en GF(2) à l'algèbre causale de Pearl, et prédit des signatures iEEG testables.
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 systématique des LLMs légers (<2B paramètres) pour la génération de jugements criminels et la prédiction de charges. Création de CVGEvalKit, framework d'évaluation avec 3 datasets publics. Comparaison d'architectures, tailles de modèles et approches directes vs. génération intermédiaire.
Étude du forgetting en continual learning via Sparse Autoencoders (SAEs). Les auteurs proposent un cadre diagnostic pour analyser comment l'information spécifique aux tâches évolue au niveau des concepts latents. Résultat : une grande partie du forgetting apparent est due à une perte d'accessibilité représentationnelle plutôt qu'à une suppression complète d'information.
Méthode de segmentation des infections osseuses en imagerie PET-CT bimodale avec fusion précoce. Framework avec apprentissage dual-source sur annotations d'experts indépendants (haute sensibilité vs haute spécificité). Évaluation volumétrique 3D au niveau patient pour éviter les biais inter-tranches.
PaliBench est un benchmark pour la traduction du pali vers l'anglais contenant 1 700 passages (345 000 tokens) alignés avec trois traductions de référence indépendantes. La méthode combine l'assistance LLM, la vérification automatisée et l'évaluation multi-métrique. Évaluation de dix LLM contemporains montrant une concordance inter-métrique forte mais variation substantielle en fiabilité.
PluRule est un benchmark multimodal et multilingue pour la modération de communautés pluralistes sur les réseaux sociaux. Il couvre 13 371 violations de règles dans 1 989 communautés Reddit et 2 885 règles en 9 langues. Les modèles vision-langage de pointe, y compris GPT-4.5 avec raisonnement avancé, ne surpassent que légèrement une baseline triviale, révélant que la modération pluraliste reste un défi fondamental.
Nouvelle méthode RACE pour détecter le texte généré par LLM selon 4 catégories (texte humain pur, LLM pur, texte humain poli par LLM, texte LLM humanisé). Utilise la théorie des structures rhétoriques (RST) et analyse au niveau des unités de discours élémentaires. Surpasse 12 baselines avec faibles faux positifs.
Méthode pour étendre les modèles fondamentaux ECG (préentraînés sur 10 secondes) à des enregistrements plus longs et de durée variable. Un module léger plug-in ajoute le traitement de séquences longues et la modélisation temporelle sans réentraîner le backbone. Résultats sur plusieurs tâches ECG long-horizon surpassent les baselines sliding-window et pooling.
SynC, un framework de clustering de graphes profonds, exploite une relation synergique entre apprentissage de représentation et augmentation de structure via un auto-encodeur de graphe transformé (TIGAE). Le modèle partage les poids entre deux étapes pour réduire les paramètres et améliore la généralisation sur graphes faiblement homophiles.
LAC (Latent Action Control) rend le raisonnement actionnable dans les modèles génératifs unifiés en représentant la planification et le diagnostic comme des actions latentes continues. Intégré à BAGEL-7B-MoT, LAC améliore la génération compositionnelle et fondée sur les connaissances via alignement variationnel et GRPO, avec gains majeurs sur les relations spatiales et les liaisons d'attributs.
Système de détection d'anomalies visuelles utilisant l'apprentissage non supervisé sur Raspberry Pi. Entraînement et inférence en 90 secondes avec 10 images normales, F1 score >0.95. Déploiement via Anomalib et openVINO pour PME.
Approche de fusion guidée par métriques pour combiner les caractéristiques complémentaires de modèles de fondation visuels (SAM2, DINOv3) dans les tâches de segmentation dense. Deux métriques sans labels (Cohérence Structurelle, Fidélité des Contours) évaluent les encodeurs et sélectionnent les paires complémentaires. Gains de performance constants sur plusieurs tâches sans modifications architecturales complexes.
XDiffuser combine planification par graphe d'état et diffusion pour améliorer la planification long-horizon. Le modèle calcule d'abord un plan classique servant d'oracle de connectivité, puis l'utilise pour guider le débruitage d'une trajectoire unique. Surpasse les baselines diffusion sur tâches long-horizon, coordination multi-agent et problèmes TSP.
Article arXiv proposant une approche d'explicabilité par contrefactuels fondée sur la quantification d'incertitude. Les auteurs démontrent que l'intégration de concepts fondamentaux de l'IA (notamment l'incertitude) améliore la robustesse et la fiabilité des explications, avec performances compétitives malgré une conception simple.
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.
Whisper, un framework de prompting itératif, réduit la longueur des réponses des modèles de raisonnement (LRMs) via persuasion en boîte noire. Sur GSM8K, réduction 3x pour Qwen3 ; ~40% de tokens économisés en moyenne. Claude-3.7 et Gemini-2.5 voient -46% à -50% sur MATH-500.
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.
Lens, une méthode de contrôle de capteur caméra, adapte les paramètres d'acquisition en temps réel pour améliorer la performance des modèles de vision. Utilisant VisiT, un indicateur de qualité sans entraînement basé sur les scores de confiance, Lens compense les décalages de domaine sans modification extensive du modèle. Benchmark ImageNet-ES Diverse introduit.
ERMAR (Enhanced Ranked Memory Augmented Retrieval) est un framework pour gérer efficacement les contextes longs dans les modèles de langage. Il utilise un mécanisme de scoring de pertinence et un modèle de re-ranking pointwise pour les embeddings clé-valeur, inspiré par les techniques learning-to-rank. Résultats SOTA sur benchmarks standards avec meilleure scalabilité.
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.
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 : Pass@1 passe de 0.397 à 0.505 sur SpreadsheetBench, de 0.517 à 0.651 sur BigCodeBench.
QCEA reformule l'alignement d'entités médicales comme un problème conditionné par requête, intégrant encodage sémantique et apprentissage de graphes. Évalué sur les graphes TCM-WM (SymMap), le modèle améliore les métriques Hit@K et MRR, et démontre gains en RAG pour la récupération de preuves et la précision des réponses.
SemAlign propose un mécanisme de transfert de connaissance entre modèles de langage de tailles différentes via alignement sémantique latent. Au lieu de copier directement les paramètres, la méthode utilise les activations comme médium de transfert, en appairant couches source et cible et en optimisant via supervision sémantique. Évaluée sur quatre benchmarks.
Étude arXiv sur la prévision de séries temporelles long-terme (LTSF). Les auteurs montrent qu'une simple couche linéaire (affine mapping) domine les performances sur les benchmarks standards. L'analyse révèle que les modèles apprennent des matrices de transition similaires, capturent bien les motifs périodiques mais échouent sur les signaux non-périodiques. Code disponible.
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 liées aux skills. Les résultats montrent +7.9pp sur Terminal-Bench 2.0 (GPT-5.2) et +2.6pp sur SWE-Bench Pro.
VISAFF est un framework pour la reconnaissance d'émotions en conversation (ERC) utilisant des modèles vision-langage. Il combine deux étapes : ancrage affectif centré sur le locuteur et complémentation affective guidée par la fiabilité. L'approche sans fine-tuning exploite les capacités de raisonnement de VLMs gelés, intégrant signaux visuels, textuels et acoustiques pour améliorer la précision.
T-FIX est un cadre d'évaluation pour mesurer l'alignement des explications générées par les LLM avec le raisonnement d'experts dans des domaines spécialisés (chirurgie, astronomie, thérapie). Couvre sept tâches scientifiques sur trois domaines avec critères définis par des experts. Permet une évaluation automatique et généralisable sans annotation continue d'experts.
Étude psycholinguistique sur la dynamique de lecture de phrases « garden-path » avec canal bruité. Les lecteurs effectuent des régressions oculaires ciblées vers les régions susceptibles de contenir des erreurs, confirmant un modèle de traitement par canal bruité avec réanalyse.
Méthode de calcul hyperdimensionnel robuste utilisant des signatures topologiques (trous, moments de Zernike invariants RTS) pour améliorer la robustesse aux rotations, bruits et occlusions. Tests sur MNIST/EMNIST montrent une meilleure robustesse qu'un baseline HD naïf et une compétitivité avec les CNN compacts.
FastDrive, un VLM compact de 0.9B paramètres, surpasse les modèles de 7B+ (LLaVA-1.5) sur tâches de conduite autonome. Entraîné sur NuScenes-S, un benchmark avec représentations structurées, il atteint +20% de précision en décision avec 10x speedup en inférence.
Nouvelle méthode pour ajuster des superquadriques à des nuages de points bruyants et contaminés par des valeurs aberrantes. Reformule le problème comme un clustering non supervisé unifié, permettant l'ajustement de superquadriques rigides et déformables. Fournit solutions analytiques fermées et garanties de convergence.
MAGNET, un réseau de neurones graphiques, traite les données biologiques multimodales incomplètes pour la classification du cancer. Le modèle utilise un mécanisme d'attention multi-têtes dynamique pour fusionner les embeddings de modalités manquantes, avec une complexité linéaire. Testé sur trois datasets multiomiques publics, MAGNET surpasse les méthodes de fusion existantes.
Méthode d'optimisation de prompts inspirée du reinforcement learning pour améliorer la planification long-terme des LLM en interactions multi-tours. Framework modifie uniquement l'instruction système via feedback itératif et experience replay. Gains significatifs sur text-to-SQL et dialogue orienté tâche, généralise across modèles.
Étude sur la capacité des LLM (dont OpenAI o1) à résoudre et générer des énigmes linguistiques de type Olympiades. Les modèles surpassent les humains sur la plupart des types d'énigmes, sauf celles sur les systèmes d'écriture et langues peu étudiées. La génération automatique d'énigmes pourrait élargir l'intérêt pour la linguistique.
CANSURF : nouveau dataset de ~7.3k images annotées (expandu à ~57k via augmentation) pour la détection et le suivi de débris en surface (canettes aluminium). YOLOv11 entraîné sur CANSURF surpasse les datasets génériques de 12x. YOLOv11+ByteTrack offre les meilleures traces ; YOLOv11+SAHI améliore le rappel en champ lointain.
Étude systématique de modèles LLM légers (<2B paramètres) pour la génération de jugements criminels et la prédiction de charges. Développement de CVGEvalKit, framework d'évaluation avec 3 datasets publics. Comparaison d'architectures, tailles de modèles et approches directes vs. indirectes.
Pipeline de débruitage Noise2Noise pour spectroscopie Raman haute débit utilisant un autoencodeur convolutif 1D. Entraîné sur acquisitions courtes répétées (5 ms), sans référence externe. Évalué sur échantillon minéral : RMSE, SNR, SSIM et classification K-means. Préserve la cohérence chimique tout en accélérant l'acquisition.