Toutes les news taguées avec ce sujet.
Neuf modèles fondation pour données tabulaires testés sur des scénarios de shift de distribution : tous se dégradent, quelle que soit leur architecture.
Une nouvelle méthode collaborative permet aux modèles multi-modaux de rester robustes même quand plusieurs sources de données manquent, sans schéma prédéfini.
Une nouvelle architecture géométrique étend la robustesse Lipschitz aux espaces courbes, avec applications hyperboliques et matrices SPD.
Des préfixes continus appris peuvent faire basculer les réponses correctes de plusieurs LLM sur des tâches de raisonnement syllogistique, révélant des failles de stabilité logique.
Une étude typologique montre comment la formulation linguistique d'une croyance influence la capacité des LLM à suivre le contexte ou leurs connaissances préalables.
Un contexte non pertinent, même du charabia, peut faire basculer les réponses de LLM sur certains exemples sans que la précision globale ne bouge.
Une étude formalise une faille des évaluateurs de plans : supprimer des étapes gênantes peut améliorer artificiellement leur score, et propose un mécanisme de blocage.
Une méthode sans données pour renforcer des circuits probabilistes pré-entraînés face aux perturbations et aux changements de distribution.
Des chercheurs proposent une méthode sans entraînement pour identifier et neutraliser les composants de CLIP responsables de la vulnérabilité aux attaques typographiques.
Un réseau secondaire détecte et remplace les arrière-plans trompeurs dans les données d'entraînement pour rendre les classifieurs plus robustes.