Un modèle ConvLSTM entraîné sur des données satellitaires du Ceará couvrant 2000–2023 a mieux saisi les tendances régionales de dégradation des terres que les changements dans des cellules individuelles de 2,2 kilomètres. Les chercheurs jugent ces derniers largement imprévisibles.
Source: arXiv, Desertification Forecasting in Semi-Arid Regions: Using Deep Learning to Probe the Observability Limits of Land Degradation Dynamics (arXiv:2610.13406)
La méthode Chronos Policy de chercheurs de Stanford aligne observations et actions des robots à l’aide d’horodatages plutôt que d’étapes fixes. Le prépublication rapporte une meilleure tenue des résultats face à certaines variations temporelles.
Source: arXiv, Chronos Policy: Learning Robot Policies on Physical Time (arXiv:2610.13929)
Des auteurs affiliés au CNRS et à l’IRISA à Rennes rapportent que, dans des expériences sur des réseaux synthétiques, la diffusion inverse a récupéré un graphe d’entraînement bruité, un phénomène que les métriques usuelles peuvent manquer.
Des chercheurs des universités d’Oslo et de Xi’an présentent un réseau neuronal de graphes pour estimer les flux probabilistes lorsque la topologie change après des coupures de lignes. Le modèle réduit l’erreur d’angle de phase face aux méthodes de référence dans deux réseaux test.
Source: arXiv, Hierarchical Graph Neural Network for Probabilistic Power Flow with Grid Topology Contingencies (arXiv:2610.13495)
Une étude de Michigan Tech a constaté que la précision de détection des véhicules par LiDAR augmentait avec l’intensité de la neige dans deux jeux de données routiers. Les auteurs relient cette association inattendue à des changements concomitants de densité de points et de géométrie des objets.
Source: arXiv, Beyond the Snowflakes: Disentangling Weather Effects from Confounding Meta-Factors in LiDAR Object Detection (arXiv:2610.13891)
Un préprint d’auteurs affiliés à Paris Dauphine-PSL et au CNRS évalue l’ajustement hors échantillon d’une sélection de variables par recherche pour une régression explicative du NASDAQ-100.
Un préprint arXiv d’un auteur affilié à l’Université d’Oslo établit des bornes constructives reliant l’architecture des réseaux à la topologie de leurs représentations.
Des chercheurs de l’Ohio State et du Wisconsin–Madison présentent une inférence variationnelle amortie et parcimonieuse pour des données spatiales. Dans un exemple NOAA sur la banquise arctique, le modèle a utilisé 1 398 paramètres variationnels pour 21 855 observations.
Le système Splat2Act de chercheurs de Georgia Tech scanne un espace intérieur par téléphone, en crée un jumeau numérique et adapte une politique de préhension robotique au moyen de démonstrations simulées. L’article teste le taux de réussite sur un bras robotique.
Source: arXiv, Splat2Act: From Captured Scenes to Personalized VLA Manipulation (arXiv:2610.13945)
Des chercheurs aux États-Unis et au Canada présentent SecFD-FL, une méthode de prévision des charges de recharge des véhicules électriques sans centraliser les données distribuées. L’étude teste les prévisions et des attaques par inversion de gradient sur des données de Palo Alto et d’EV WATTS.
Source: arXiv, SecFD-FL: Frequency-Decoupled Federated Learning with Secure Aggregation for Charging Load Forecasting in Internet of Electric Vehicles (arXiv:2610.12909)
Des chercheurs affiliés à NYU Abu Dhabi proposent un cadre pour vérifier si les tests écrits par des modèles distinguent les solutions correctes des solutions défectueuses.
Des chercheurs liés à des institutions françaises présentent un détecteur d’échecs robotiques qui suit la position des objets et leurs relations pendant une tâche. Ils l’ont évalué sur un benchmark existant et un nouveau jeu de deux tâches.
Source: arXiv, Robot-WATCHDOG: failure detection through object-centric graph representation (arXiv:2610.13403)
Avec votre accord, Google Analytics peut mesurer les visites et les interactions sur le site à l’aide de cookies. Vous pourrez modifier votre choix.
Détails des mesures et de la confidentialité
Google Analytics ne commence les mesures qu’avec votre accord. Après consentement, la mesure automatique peut inclure le défilement, les clics sur des liens externes, les téléchargements, les vidéos, les recherches sur le site et les interactions simples avec les formulaires ; les termes recherchés peuvent être détectés dans les paramètres d’URL. Le code de ce site n’envoie pas les valeurs des champs ; le masquage des e-mails dans la mesure automatique est une précaution au mieux, sans garantie. Notre événement manuel de consultation utilise une URL nettoyée. Vous pourrez modifier votre choix. Le cookie de préférence dure six mois ; la mesure publicitaire et la personnalisation restent désactivées. Les visites qui commencent avec un consentement peuvent aussi transmettre des mesures numériques LCP, INP et CLS après le chargement d’Analytics. Un premier accord ou un accord ultérieur active ces mesures au prochain chargement de page ; le retrait du consentement arrête ces rapports pour la page en cours. Le cookie de préférence dure six mois ; la mesure publicitaire et la personnalisation restent désactivées.
Votre navigateur envoie un signal Global Privacy Control. La mesure est désactivée par défaut ; vous pouvez explicitement modifier ce choix ici.
