Un chercheur universitaire intéressé par la Recherche d'Information (RI) demande conseil sur des conférences académiques moins compétitives pour soumettre son travail. Il s'interroge sur la qualité de SIGIR-AP, une nouvelle conférence soutenue par SIGIR, et sollicite d'autres suggestions.
Un auteur exprime sa frustration face au processus d'évaluation de l'ICML, soulignant un score moyen de 3.5 et le changement d'évaluation d'un relecteur. Il note qu'un score de 4.2, d'après le "Paper Co-Pilot", ne classe un article que dans le top 40%.
Le contenu se demande si la publication exclusive dans des revues de ML (par exemple TMLR, JMLR) plutôt que lors de conférences nuit aux perspectives d'emploi pour des postes de chercheur scientifique en ML en entreprise, compte tenu de la perception de processus de révision plus équitables dans les revues. La discussion porte sur les carrières en entreprise après le doctorat.
Le contenu critique la nouvelle génération de chercheurs en deep learning pour suivre les tendances. L'auteur cherche à discuter du terme complexe « IA post-agentique », avec lequel il rencontre des difficultés.
Ce contenu discute de la soumission de code avec les articles pour NeurIPS 2026, l'auteur étant partagé entre le gain de crédibilité et les préoccupations concernant le plagiat. Le message sollicite les avis de la communauté sur cette pratique.
Un auteur d'article pour l'ICML s'inquiète car un évaluateur a augmenté son score après la réplique, mais l'a ensuite réduit à nouveau au score initial. La diminution du score moyen de l'article lui fait craindre un rejet anticipé.
L'utilisateur propose de créer un fil de discussion séparé pour la 'position track' d'ICML 2026, craignant que les discussions sur cette section de niche ne soient noyées dans le fil principal. Le but est de faciliter les décisions concernant cette piste spécifique.
L'auteur critique la décision de prolonger le délai des justifications finales des relecteurs de l'ICML 2026 sans prolonger celui des contacts auteurs-ACs, jugeant cela une grave erreur. Un relecteur a soulevé de nouvelles questions critiques dans sa justification finale, non mentionnées auparavant, ce qui pourrait compromettre un article ayant par ailleurs de bonnes évaluations.
Cet article propose une nouvelle technique, le remasking Token-to-Mask (T2M), pour affiner les modèles de langage de diffusion masqués tels que LLaDA2.1. Cette méthode corrige les lacunes de l'édition Token-to-Token (T2T) en réinitialisant les jetons suspects à un état de masque pour une reprediction plus précise.
Le Système de Débat Multi-Persona (MPDS) est un cadre basé sur la littérature pour la génération automatisée d'hypothèses scientifiques, visant à surmonter le défi de synthétiser des connaissances fragmentées, notamment dans la recherche sur les matériaux de batterie. Il intègre la récupération de littérature, le raisonnement de grands modèles linguistiques et le débat multi-agents, permettant la négociation entre personas tout en préservant la traçabilité des preuves.
Ce contenu présente la "Density-aware Chamfer Distance" comme une nouvelle métrique complète pour l'évaluation des tâches de complétion de nuages de points. Elle vise à offrir une évaluation plus robuste et précise des modèles 3D complétés.
Une nouvelle recherche indique que les « neurones d'hallucination » (H-neurons) prédisant les hallucinations des LLM ne se généralisent pas entre différents domaines de connaissance. Cela suggère que l'hallucination pourrait ne pas être un mécanisme unique avec une signature neurale universelle, mais plutôt dépendante du contexte.
Ce contenu explore une nouvelle approche pour améliorer l'apprentissage par renforcement pour le raisonnement des grands modèles de langage (LLM) en se concentrant sur les « jetons minoritaires à haute entropie ». Il suggère que ces jetons moins fréquents mais très informatifs sont les principaux moteurs d'un apprentissage efficace, défiant la règle conventionnelle 80/20.
Cette recherche introduit la Distillation Auto-Vérifiée, un algorithme permettant aux grands modèles de langage (LLM) de s'améliorer en utilisant uniquement des invites non étiquetées. Le processus implique la génération, l'auto-vérification par des contrôles multi-étapes, puis l'entraînement sur des ensembles de données auto-curés, sans enseignants externes.
Cette recherche examine si les lois d'échelle des données réelles sont régies par une couverture progressive d'un spectre latent de contribution prédictive, plutôt que par la seule fréquence des jetons. En utilisant un automate de suffixes et un spectre de contribution prédictive global-KL, l'étude révèle une forte corrélation entre la pente de la queue du spectre et l'exposant d'échelle des données des apprenants GPT, montrant que le rang de troncature effectif s'échelonne logarithmiquement.
Cet article présente le Structured Progressive Knowledge Activation (SPARK) pour relever le défi d'intégrer les connaissances architecturales dans la recherche d'architecture neurale (NAS) pilotée par les LLM. SPARK atténue l'"enchevêtrement fonctionnel" en permettant une édition conditionnée par facteur, ce qui conduit à des modifications d'architecture plus ciblées et fiables.
Ce contenu analyse un article de recherche axé sur l'utilisation du contexte épisodique et des mondes persistants pour l'exploration 3D dans les systèmes d'IA. Il souligne un changement pertinent dans le domaine de l'intelligence artificielle, étayé par des données et des analyses.
Cet article présente un cadre géométrique pour analyser l'instabilité des unions de caractéristiques dans les Autoencodeurs Sparses (SAEs), notamment en ce qui concerne la direction compositionnelle. Il dérive un seuil asymptotique de collapse compositionnel sous un modèle de dictionnaire sphérique.
Cette recherche introduit une théorie de la "stabilisation de la préférence de réponse finie" pour déterminer quand la préférence de réponse d'un modèle linguistique devient stable. Elle démontre que cette stabilisation se produit souvent avant que la réponse ne soit verbalisable, avec une avance significative.
Cet article présente RateQuant, une méthode pour l'optimisation de la quantification du cache KV à précision mixte dans les grands modèles linguistiques afin de résoudre les goulots d'étranglement de la mémoire. Il s'attaque au problème de l'inadéquation du modèle de distorsion, où l'application du modèle de distorsion d'un quantificateur à un autre dégrade les performances par rapport à la quantification uniforme.