Cette étude passe en revue les méthodes d'apprentissage profond pour le décodage EEG inter-sujets, s'attaquant à la variabilité élevée entre les sujets et le décalage de domaine. Elle catégorise la littérature en familles méthodologiques telles que l'alignement de caractéristiques et l'apprentissage contrastif, soulignant l'évaluation rigoureuse et les limitations théoriques.
Une étude à grande échelle réévalue la Génération Augmentée par Récupération (RAG) dans la réponse aux questions médicales, ne trouvant que des améliorations faibles et inconsistantes par rapport aux bases de référence sans récupération. Elle suggère que le choix du modèle de base est plus critique que les méthodes de récupération, et le principal goulot d'étranglement est la capacité du modèle à utiliser efficacement les preuves récupérées.
Cet article introduit un nouveau concept, l'Intelligence Artificielle Spéciale, permettant d'entraîner des modèles d'apprentissage automatique sans erreur pour les problèmes de classification, évitant ainsi les répétitions de fautes. La méthode a été appliquée avec succès à 18 ensembles de données biomédicales MedMNIST, atteignant la perfection dans la plupart des cas, à l'exception de trois ensembles souffrant de double étiquetage.
BioELX est un cadre de liaison d'entités biomédicales translingues en deux étapes qui ne nécessite pas de données d'entraînement annotées spécifiques à la tâche. Il améliore la récupération de candidats à l'aide d'alias multilingues de Wikidata et effectue une désambiguïsation sensible au contexte avec un classificateur LLM pré-entraîné.
Cette recherche analyse l'utilisation de LLM légers pour la reconnaissance d'entités nommées biomédicales, prouvant qu'ils peuvent atteindre des performances compétitives. L'étude souligne leur potentiel comme alternatives économes en ressources et identifie des formats de sortie spécifiques qui améliorent constamment les performances.
Cette recherche évalue les grands modèles de langage (LLMs) dans la réponse aux questions biomédicales, en abordant leur fiabilité face à des preuves conflictuelles ou incomplètes. Elle révèle que la précision des LLMs diminue significativement et que les prédictions s'inversent lorsque l'ordre des documents corrects et contradictoires est inversé, soulignant les problèmes d'effets d'ordre et la nécessité d'une abstention consciente des conflits.
Ce protocole évalue la capacité de ChatGPT à générer et vérifier des associations biomédicales centrées sur les maladies, en utilisant des ontologies biomédicales et la littérature. Il intègre une stratégie d'auto-cohérence et un flux de travail activé par RAG, alimenté par des LLM open source, pour résoudre les limitations de correspondance exacte et détecter les hallucinations.
Cet article, initialement de rachel.fast.ai, suit une chercheuse en IA explorant comment l'intelligence artificielle peut analyser des lames de microscope. Il détaille son retour aux études en immunologie, appliquant l'IA à l'imagerie scientifique et médicale.
