Toutes les news taguées avec ce sujet.
Une étude théorique montre que l'interaction avec l'expert allège les exigences de représentation du modèle, avec un nouvel algorithme à l'appui.
Une étude théorique et empirique révèle un paradoxe : la méthode de compression la plus efficace en pratique est aussi celle qui diverge en théorie.
Une étude formelle montre que la dégradation des modèles génératifs de graphes temporels sous dérive de distribution ne peut être corrigée par simple observation du déploiement.
Un cadre conceptuel avance que l'humain restera nécessaire dans certaines tâches, même avec une IA très capable, pour des raisons structurelles.
Un chercheur montre que la théorie du surprisal, pilier de la psycholinguistique computationnelle, ne fait aucune prédiction falsifiable sans contrainte supplémentaire sur le modèle de langage.
Un nouvel algorithme basé sur la diffusion offre des garanties théoriques de convergence pour restaurer des images à partir d'observations bruitées.
Une étude théorique décortique le rôle des skip connections et de la normalisation dans la préservation du rang des gradients au fil des couches.
Un nouveau forecaster randomisé améliore la barrière classique de calibration en ligne, en combinant SPR-Calibration et une couche de correction de type Blackwell.
Une analyse théorique rigoureuse unifie les paramétrisations des modèles de diffusion discrets et démontre leur équivalence au niveau des taux de saut.
Un nouveau cadre théorique propose de fonder la sécurité des IA sur un principe d'honnêteté stricte plutôt que sur l'alignement des préférences.