
Recalibrer un portefeuille robuste sans effacer la confiance acquise
Un modèle théorique compare l'héritage bayésien et la reconstruction fraîche de la confiance dans un portefeuille sous ambiguïté.
Éditorial / 24 publications
Des méthodes et des tutoriels lisibles hors ligne pour tester les outils, vérifier leurs limites et construire des workflows durables.
À lire

Un modèle théorique compare l'héritage bayésien et la reconstruction fraîche de la confiance dans un portefeuille sous ambiguïté.

Un cadre de signaux combine texte, modalités d'annonce et analyse SHAP pour dépister plus tôt des offres associées à l'exploitation du travail.

Relational BabyLM combine attention relationnelle et prédiction latente pour tester la généralisation structurelle avec peu de données.

ReliGRec combine représentations temporelles et routage de prompts, mais ses contrôles ne démontrent pas l’avantage du routage sur la meilleure politique uniforme.

Une étude sur la consultation de l'AI Act montre qu'un score très reproductible peut mesurer autre chose que le construit visé.

Une étude mesure les goulots d’étranglement CPU, mémoire et I/O de trois tâches d’agents et teste une admission consciente du matériel.

RetireOPD apprend à un étudiant sans skills à abandonner progressivement un enseignant privilégié lorsque l'écart de réussite cesse de diminuer.

Une plateforme RF DiSC assistée par machine learning distingue huit types de microplastiques dans l’eau à partir de paramètres de diffusion et de taille.

Une survey relie extensions d’instructions, cœurs, compilateurs, frameworks et applications ML dans l’écosystème RISC-V.

Une estimation en deux étapes relie volatilité conditionnelle, résidus standardisés et mesure de risque sensible à la probabilité comme à l'amplitude.

S4L-Prolog décompose la traduction juridique en rôles sémantiques, complétion de scène, mapping logique et génération de règles.

SAFARI teste l'aide des LLM à l'analyse des dangers automobiles et rappelle pourquoi une narration plausible ne vaut pas une classification de risque.

Ce que propose SAiFE-gym pour étudier la fourniture de liquidité et le market making dans des AMM à liquidité concentrée.

SALR retarde les choix explicites d'une requête tout en guidant les états latents par les éléments du schéma d'une base de connaissances.

SARA exploite des raisons positives et négatives dans la recommandation de directs ; leur collecte, leur génération et leur évaluation restent trois étapes distinctes.

Le projet SOL propose de transformer la recherche d'information des enfants en activité d'apprentissage guidée, avec une aide qui s'efface progressivement.

SCGFM-ART aligne des graphes sur un atlas relationnel partagé et remplace l’alignement coûteux à l’inférence par un transport appris.

SCOUT prédit un espace d'embeddings texte à partir de caractéristiques vidéo gelées pour réduire le coût du retrieval personne texte entre données synthétiques et images réelles.

SEEK limite le résultat à un bit de présence, mais sa portée dépend de la non-collusion, du modèle semi-honnête et des contrôles externes.

Un modèle pré-entraîné par éléments finis reconstruit des réponses sismiques à partir d’observations rares et transfère la dynamique vers un espace latent.

Self-Index diagnostique les requêtes mal servies, révise seulement les clés concernées et valide les changements avant de faire évoluer l'index.

Semantic Action Graph relie événements, acteurs, moments et états dans un schéma lisible par l'agent comme par l'utilisateur.

Un programme de recherche propose de compléter le Web sémantique par des conditions d'application, des opérations, de la provenance et une couverture explicite.

SGPS combine une recherche d'actions par MPC et une optimisation de politique pour éviter des contacts locaux indésirables.
Continuer l'exploration