Machine learning
Fellow suit ce sujet depuis mai 2026 : 55 articles résumés en français, dont 5 jugés majeurs ou notables.
Toute l'actualité · 55 articles
Une puce neuronale décode les interactions entre régions du cerveau
Des chercheurs de l'EPFL ont conçu LogSync, une puce implantable basse consommation qui suit la communication entre régions cérébrales et identifie des états cognitifs et émotionnels.
Analyse par ML explicable des effets de la température sur la résistance mécanique du béton hautes performances fibré
Huit modèles de machine learning entraînés sur 1 204 enregistrements expérimentaux prédisent la résistance en compression du béton fibré exposé à la chaleur, avec une interprétation par SHAP.
FrontierML : un benchmark exigeant de machine learning de bout en bout
FrontierML mesure si des agents savent transformer un budget en performance de modèle : 21 tâches longues, avec 10, 50 ou 200 dollars à dépenser en calcul et en données.
Échantillonnage softmax à deux niveaux : correction des biais liés au déséquilibre de taille et à la dispersion des clusters
Des chercheurs identifient des biais systématiques dans la méthode d'échantillonnage softmax à deux niveaux (2LS) et proposent deux variantes corrigées, S-2LS et SD-2LS, avec surcoût calculatoire négligeable.
Apprentissage et prédiction en ligne privés pour les classes de Littlestone
Une étude théorique révèle un fossé net entre apprentissage en ligne privé et prédiction en ligne privée en termes de bornes d'erreur.
Utiliser l'IA et le machine learning pour décoder la communication des cachalots
Des chercheurs appliquent des modèles d'apprentissage automatique pour tenter de décrypter les clics et séquences sonores des cachalots.
Apprentissage sans simulation des dynamiques de population via résidus lagrangiens de Wasserstein
Double-Stitch accélère l'apprentissage de dynamiques de population conservatives ou périodiques, sans recourir à un solveur numérique coûteux à chaque itération.
ZFO : une méthode hybride ordre zéro/premier ordre pour optimiser le fine-tuning des LLM
Un framework léger découple direction et taille de pas d'optimisation, avec garanties théoriques et gains de performance sur plusieurs LLM.
Prévoir les risques météo spatiale sur les réseaux électriques grâce au machine learning
Microsoft Research développe un pipeline ML qui anticipe les impacts des tempêtes géomagnétiques sur 66 935 postes électriques américains.
Faire un doctorat en machine learning tout en travaillant au Japon
Un ingénieur raconte comment il a mené un PhD en machine learning en parallèle de son emploi dans la tech au Japon.
ReCIRC : un contrôle du risque conforme rectifié pour une calibration plus fine
Une méthode qui adapte le seuil de risque à chaque entrée, plutôt qu'un seuil unique global, pour mieux calibrer les modèles prédictifs.
NVIDIA et Kumo dévoilent un modèle tabulaire repoussant la frontière précision-efficacité
Un nouveau modèle de prédiction tabulaire, fruit d'une collaboration NVIDIA-Kumo, promet un meilleur compromis entre performance et coût de calcul.
Modèles de langage pour la classification de texte : du bag-of-words à Jev
Un tour d'horizon de l'évolution des méthodes de classification de texte, du comptage de mots aux architectures modernes de langage.
Un algorithme d'analyse en composantes principales différentiellement privé sans condition d'écart pour données gaussiennes
Une nouvelle méthode de PCA différentiellement privée qui s'affranchit de l'hypothèse d'écart spectral, appliquée aux données gaussiennes.
Réparabilité des solveurs inexacts en estimation d'état récursive assistée par apprentissage automatique
Une étude théorique sur les corrections apprises par ML dans les boucles de filtrage de Kalman, avec application au réglage des tolérances sur réseaux électriques.
Clustering automatique par centres locaux basé sur la profondeur et regroupement adaptatif
Une nouvelle méthode de clustering entièrement data-driven qui élimine le réglage manuel des paramètres numériques.
Évaluation de modèles ML de flux thermique critique dans le code CTF pour faisceaux de crayons carrés
Des modèles de machine learning entraînés sur des données de tubes améliorent la prédiction du flux thermique critique dans les réacteurs nucléaires.
La classification par LLM n'est que du feature engineering
Un essai technique remet en perspective l'usage des LLM pour la classification : sous le capot, on retrouve les mêmes principes que l'ingénierie de features classique.
Un cadre général de noyaux pour les mesures de distance non-CND via des embeddings de landmarks épars
Une nouvelle méthode de noyau supprime la contrainte de définition négative conditionnelle, ouvrant les Gaussian Processes à des espaces d'entrée non euclidiens.
Des explications linéaires probabilistes pour rendre les modèles d'IA plus interprétables
Un nouveau cadre théorique combine parcimonie et probabilités pour expliquer les prédictions des réseaux de neurones, en classification comme en régression.
Pourquoi les agents IA de recherche en machine learning ne surapprennent-ils pas ?
Amazon Science explore un phénomène contre-intuitif : les agents autonomes chargés d'expérimentations ML évitent souvent le surapprentissage malgré des itérations répétées.
Une nouvelle méthode par classement pour mesurer la calibration des modèles
Des chercheurs proposent le rankECE, une alternative à l'Expected Calibration Error pour évaluer la fiabilité des probabilités prédites.
CoRA-NAS : recherche d'architecture neuronale par classement grossier et raffinement par résidus d'ancrage
Une méthode en deux étapes combine des proxies zero-cost et un raffinement à faible coût pour classer efficacement les architectures neuronales.
Curriculum Learning as Transport: compréhension via géodésiques Wasserstein
Un nouveau cadre basé sur le transport optimal permet d'isoler et d'analyser les facteurs d'efficacité du curriculum learning.
Continuation variationnelle pour les orbites périodiques du double pendule
Une méthode basée sur le hessien et la différentiation automatique automatise la recherche d'orbites périodiques dans les systèmes dynamiques chaotiques.
Waymo tire les leçons IA de 200 millions de miles autonomes parcourus
Waymo publie un bilan technique sur les enseignements en IA accumulés après 200 millions de miles en conduite autonome sans supervision.
Une théorie géométrique pour des audits d'équité robustes
Un cadre mathématique révèle comment de petites perturbations peuvent fausser les audits d'équité algorithmique basés sur le voisinage.
DICS : une approche par clustering pour accélérer les arbres de décision
Cette méthode réduit l'espace de recherche des splits via des centroïdes informés par les données.
Comment les recommandeurs génératifs redéfinissent le RecSys à grande échelle
NVIDIA détaille le virage des systèmes de recommandation vers une approche générative inspirée des LLM, plutôt que la similarité d'embeddings classique.
Apprentissage par renforcement continu pour processus de Hawkes
Un nouvel algorithme, Hawkes-CT DDPG, permet le contrôle stochastique de processus non markoviens.
Régression quantile profonde sans croisement pour la prédiction de survie distributionnelle
Un nouveau cadre statistique garantit des quantiles de survie cohérents, dévoilant des effets de covariables masqués par les modèles à risque unique.
Validation temporelle des modèles ML de consommation de carburant naval : le cas du CCGS Sir Wilfrid Laurier
Une étude révèle que les méthodes classiques de validation surestiment la performance des modèles prédictifs de consommation de carburant en contexte maritime.
RecipeNet : un Transformer hiérarchique pour les données de procédures
Une nouvelle architecture de modèle surpasse les approches tabulaires classiques en préservant la structure des procédures séquentielles.
AI Model Atlas : visualiser les populations de modèles ML en graphe 3D interconnecté
Un outil de visualisation cartographie les relations entre modèles de machine learning sous forme de graphe interactif en trois dimensions.
TabSOM : une méthode d'encodage tabulaire-vers-image basée sur les cartes auto-organisatrices
Une nouvelle technique convertit des données tabulaires en images en préservant les relations entre variables, avec des performances supérieures aux méthodes existantes.
Apprentissage équivariant d'une fonctionnelle de densité classique 3D transférable
Une méthode pour apprendre une fonctionnelle d'énergie libre directement à partir de données 3D, capable de prédire des propriétés thermodynamiques complexes.
Twitch exploite les streams pour entraîner l'IA d'Amazon
La plateforme utilise les contenus live pour le Machine Learning, sans consentement explicite.
Quantification post-entraînement pour la prévision financière : l'étalonnage des activations est déterminant à 4 bits
Une étude systématique sur 560 modèles montre que la méthode de calibration des activations conditionne fortement la précision des prévisions de volatilité en quantification basse précision.
Localisation mmWave assistée par RIS via fingerprints ML
Une méthode de fingerprinting dans le domaine des ondes permet de localiser précisément les équipements malgré les interférences.
Approximation de la distribution de la Ridge Regression
Une nouvelle méthode statistique pour mieux comprendre le compromis biais-variance du Ridge Regression et optimiser son paramètre de régularisation.
L'IA ouvre une nouvelle ère pour l'étude cognitive des primates sauvages
Des chercheurs utilisent l'intelligence artificielle pour automatiser l'analyse des comportements de primates dans leur environnement naturel.
Apprentissage modal non paramétrique privé : applications en régression et clustering
Un nouvel algorithme, DP-GRAMS, permet d'estimer les modes de densité multivariés tout en garantissant une confidentialité différentielle rigoureuse.
AgentHPOBench : un benchmark pour évaluer les agents LLM en tant qu'optimiseurs séquentiels d'hyperparamètres
Un nouveau benchmark teste la capacité des agents LLM à mener des expériences ML itératives et à ajuster les hyperparamètres à partir des résultats observés.
Apprentissage du traçage des dualités de Seiberg
Des modèles ML identifient des dualités en physique théorique mieux que les algorithmes déterministes.
Apprentissage de représentations fonctionnelles doublement robuste pour l'inférence causale longitudinale à historiques irréguliers
Une méthode statistique combine encodeurs fonctionnels et estimation doublement robuste pour traiter des données longitudinales mesurées à des intervalles irréguliers.
De la classification à la régression : la drosophile pour résoudre des équations
Une méthode biomimétique inspirée de la mouche à fruits remplace les modèles globaux complexes par une bibliothèque de motifs locaux.
Rethinking Classifier-Free Guidance in Diffusion Distillation
Une nouvelle méthode améliore la distillation on-policy en corrigeant les déséquilibres du CFG.
Réduction de variance pour l'adaptation de domaine par échantillonnage apparié
Une nouvelle méthode SVR réduit la variance des pertes d'adaptation de domaine non supervisée via un échantillonnage par quadruplets.
Découverte causale appliquée aux séries temporelles irrégulières
Une extension de PCMCI+ permet d'identifier des relations causales dans des flux d'événements échantillonnés de manière irrégulière, comme les capteurs ou les données médicales.
Appariement sensible aux clusters via le transport optimal laplacien
Une nouvelle méthode d'optimal transport régularisé par des termes laplaciens pour aligner des nuages de points selon leur structure de clusters plutôt que point par point.