Mise à l'échelle des algorithmes de formation perturbative compatibles avec le matériel

Avec le développement rapide de la technologie de l’intelligence artificielle (IA), les réseaux de neurones artificiels (Artificial Neural Networks, ANNs) ont obtenu des réalisations significatives dans de multiples domaines. Cependant, les méthodes traditionnelles d’entraînement des réseaux de neurones, en particulier l’algorithme de rétropropagat...

Apprentissage de la cohérence sémantique pour l'apprentissage zéro-shot audio-visuel

Contexte académique Dans le domaine de l’intelligence artificielle, l’apprentissage zéro-shot (Zero-Shot Learning, ZSL) est une tâche extrêmement complexe, dont l’objectif est de reconnaître des échantillons de classes non vues en utilisant les connaissances des classes déjà vues. L’apprentissage audio-visuel zéro-shot (Audio-Visual Zero-Shot Learn...

Analyse comparative des méthodologies et approches dans les systèmes de recommandation utilisant des modèles de langage volumineux

Contexte académique Avec l’explosion des informations sur Internet, les systèmes de recommandation (Recommender Systems, RSs) jouent un rôle indispensable dans la vie numérique moderne. Qu’il s’agisse des recommandations de films sur Netflix ou des flux d’actualités personnalisés sur les réseaux sociaux, les systèmes de recommandation redéfinissent...

Opérateurs d'agrégation de puissance basés sur la T-norme et la T-conorme d'Aczel-Alsina pour les informations floues hésitantes intuitionnistes et leur application à la sélection des prestataires de services logistiques

Contexte académique Dans la gestion moderne de la chaîne d’approvisionnement, la sélection des prestataires de services logistiques est un problème complexe et critique. Les entreprises doivent évaluer et choisir des organisations tierces capables de gérer et d’exécuter efficacement les tâches logistiques. Cependant, le processus décisionnel dans l...

Opérateurs d'agrégation géométrique pondérée de Dombi sur la classe des nombres flous intuitionnistes à valeur trapézoïdale et leurs applications à la prise de décision de groupe multi-attributs

Contexte académique Dans les domaines de l’ingénierie et de la gestion modernes, les problèmes de décision sont souvent accompagnés d’incertitude et de flou. La théorie des ensembles flous traditionnelle présente certaines limites dans la gestion de ces problèmes, en particulier lorsqu’il s’agit de problèmes complexes de décision de groupe multi-at...

Une enquête systématique sur les techniques hybrides de ML pour prédire la vitesse de pointe des particules (PPV) dans les opérations de dynamitage à ciel ouvert

Les opérations de dynamitage dans les mines à ciel ouvert sont cruciales pour l’extraction des minéraux, mais elles s’accompagnent également de risques environnementaux et structurels significatifs. La vitesse de pointe des particules (Peak Particle Velocity, PPV) générée lors des dynamitages est un indicateur clé pour évaluer l’impact des vibratio...

Un cadre amélioré pour la détection en temps réel des comportements anormaux dans les foules denses utilisant YOLOv8

Contexte académique Avec l’augmentation des besoins en matière de sécurité publique, en particulier lors de grands événements religieux comme le pèlerinage de la Mecque (Hajj), la détection des comportements anormaux dans les foules denses est devenue un sujet crucial. Les méthodes de détection existantes, confrontées à des conditions complexes tel...

Sélection de gènes pour les données RNA-seq de cellules uniques via un modèle de calcul itératif flou et approximatif

Contexte La technologie de séquençage d’ARN unicellulaire (single cell RNA-seq, scRNA-seq) a été largement utilisée ces dernières années dans la recherche biomédicale. Elle permet de révéler l’hétérogénéité de l’expression génique au niveau d’une seule cellule, offrant ainsi un outil essentiel pour comprendre les types cellulaires, les états cellul...

Réseaux d'apprentissage de représentation multi-modale évolutifs

Contexte académique Dans le domaine de l’intelligence artificielle, l’apprentissage de représentation multimodale (Multi-modal Representation Learning, MMRL) est un paradigme puissant qui vise à mapper des entrées provenant de différentes modalités dans un espace de représentation partagé. Par exemple, dans les réseaux sociaux, les utilisateurs par...

Une enquête complète sur les fonctions de perte et les métriques en apprentissage profond

L’apprentissage profond (Deep Learning), en tant que branche importante de l’intelligence artificielle, a réalisé des progrès significatifs ces dernières années dans des domaines tels que la vision par ordinateur et le traitement du langage naturel. Cependant, le succès de l’apprentissage profond dépend largement du choix des fonctions de perte (Lo...