Informatique - Intelligence artificielle

Explorer la synergie entre les modèles de base et l'apprentissage fédéré pour des applications IA améliorées.

Un outil utilisant l'IA aide à identifier les paramètres de configuration clés pour la performance des logiciels.

Une approche d'apprentissage automatique pour évaluer et améliorer la productivité des travailleurs.

La taxonomie de l'invite hiérarchique améliore les méthodes d'évaluation pour les modèles de langage.

Deux robots améliorent la navigation dans un labyrinthe grâce à des expériences d'apprentissage partagées tout en préservant la confidentialité des données.

Un aperçu du rôle de l'approximation de Bethe dans la prédiction des résultats dans des systèmes complexes.

Un aperçu des tests basés sur des scénarios pour évaluer les modèles de génération de code.

Un nouveau modèle améliore les suggestions d'articles d'actualité dans plusieurs langues.

Voici SeTAR, une solution sans entraînement pour détecter les données hors distribution dans les réseaux de neurones.

Une étude sur l'utilisation des LLMs pour juger d'autres LLMs et ses implications.

Une nouvelle méthode s'attaque au biais de sélection dans l'estimation de l'effet du traitement.

PromptDSI améliore la recherche de documents en gérant efficacement les nouvelles infos et celles déjà existantes.

Une nouvelle méthode améliore les prévisions des relations entre actifs pour de meilleures stratégies d'investissement.

Le dataset MultiSocial aide à détecter les textes générés par des machines dans 22 langues.

Une nouvelle perspective pour améliorer les GNNs pour des structures de graphes complexes.

L'utilisation innovante des réseaux sociaux et de l'IA améliore les stratégies de réponse aux tremblements de terre.

Présentation d'une méthode flexible pour les taux d'apprentissage qui améliore les performances du modèle sans calendriers prédéfinis.

PruningBench propose une manière standardisée d'évaluer les méthodes de pruning, ce qui améliore l'efficacité des modèles en apprentissage automatique.

Examiner comment l’activation des neurones améliore le raisonnement arithmétique dans les grands modèles de langage.

Une nouvelle méthode améliore la détection des crises dans les données EEG en utilisant l'apprentissage automatique.

Explore comment les expériences récentes influencent la prise de décision dans l'apprentissage par renforcement.

Un nouvel appareil utilise la fNIRS pour reconstruire des images à partir de l'activité cérébrale.

Une nouvelle technique améliore la détection des anomalies en utilisant l'apprentissage auto-supervisé.

Une nouvelle stratégie de défense pour les LLM contre les attaques backdoor.

Examiner comment les invites influencent le raisonnement dans les grands modèles de langage.

De nouvelles techniques visent à corriger les erreurs dans les modèles de langage sans avoir à tout réentraîner.

L'UNCTAD a créé un outil RAG open-source pour un meilleur accès aux données et plus d'efficacité.

Les modèles d'IA améliorent l'analyse des ECG pour de meilleurs diagnostics de la santé cardiaque.

LLM-A* fusionne des algos traditionnels avec des modèles de langage pour un plan de trajet efficace.

Un nouveau benchmark évalue les compétences en raisonnement des modèles de langage.

WavRx analyse la parole pour la santé tout en protégeant la vie privée, montrant des résultats diagnostiques prometteurs.

Une nouvelle approche pour améliorer les systèmes de dialogue médical s'aligne avec le raisonnement des cliniciens.

Un système d'enseignement qui utilise des conversations pour améliorer l'apprentissage et l'engagement des élèves.

Une étude sur l'amélioration des stratégies de trading sur les marchés de l'électricité en utilisant des systèmes de stockage par batterie.

Une nouvelle méthode améliore la prédiction du risque d'Alzheimer en utilisant des dossiers de santé électroniques et des modèles avancés.

Explore comment la technologie transforme le soutien et les soins en santé mentale.

Techniques pour accélérer la création de points de contrôle pour les modèles de deep learning.

DIPS s'attaque aux problèmes de qualité des données dans le pseudo-étiquetage pour de meilleurs résultats en apprentissage automatique.

Combiner la logique floue avec l'inférence causale pour une meilleure analyse du monde réel.

De nouveaux modèles améliorent la précision des prévisions d'utilisation des terres urbaines et améliorent la planification.