Nouvelles du 6 juillet : la conférence internationale de premier plan en apprentissage automatique ICML 2026 s'est tenue à Séoul, en Corée du Sud, et a annoncé les articles lauréats de l'année. L'article de l'équipe de Huang Gao de l'Université Tsinghua en collaboration avec Alibaba (Le piège de la flexibilité : repenser la valeur de l'ordre arbitraire dans les modèles de langage diffusifs) a remporté le prix du meilleur article. La recherche révèle que la flexibilité de l'ordre de génération arbitraire dans les modèles de langage diffusifs limite en fait le potentiel du modèle dans les tâches de raisonnement général telles que les mathématiques et la programmation, tandis que l'abandon de l'ordre arbitraire au profit d'une génération traditionnelle de gauche à droite non seulement simplifie la méthode, mais améliore également significativement la précision du raisonnement.
Un autre prix du meilleur article a été attribué au Massachusetts Institute of Technology et à l'Université Yale, pour une recherche proposant un algorithme d'échantillonnage de haute précision pour les modèles de diffusion (Échantillonnage de haute précision pour les modèles de diffusion et les distributions log-concaves), qui réalise une optimisation exponentielle du nombre d'étapes (ou de la complexité d'échantillonnage) nécessaire pour atteindre la précision d'échantillonnage cible.
Un autre lauréat du grand prix de cette édition est un article de position (Position : la communauté de l'alignement construit involontairement une boîte à outils de censure), co-écrit par des chercheurs de l'Université de Munich en Allemagne et des chercheurs indépendants, qui souligne que les techniques actuelles d'alignement de l'IA présentent un risque de double usage et peuvent être facilement manipulées à des fins malveillantes pour devenir des outils de censure de l'information.
Le prix du test du temps de cette conférence a été décerné à l'équipe Google DeepMind pour son algorithme classique d'apprentissage par renforcement profond publié en 2016 (Méthodes asynchrones pour l'apprentissage par renforcement profond). L'architecture de l'acteur-critique à avantage asynchrone (A3C) proposée par cette recherche a considérablement amélioré l'efficacité de l'entraînement de l'apprentissage par renforcement profond, inaugurant l'ère de l'entraînement efficace d'agents à l'aide de simples CPU multicœurs.

Voir l'original

Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.

Récompense
J'aime
Commentaire
Reposter
Partager

Commentaire

Ajouter un commentaire

Aucun commentaire

Sujets populaires
Afficher plus
#
GTBurns2.57MInQ
172,52K Popularité
#
PredictWorldCupShare20000U
7,32K Popularité
#
IsraelStrikesIranBTCPlunges
69,48K Popularité
#
StrategySells3588BTC
14,62M Popularité
#
gStocksTokenizedStocksLive
4,85M Popularité

Épinglé

L'équipe de Huang Gao de l'Université Tsinghua remporte le prix du meilleur article à ICML 2026, tandis que le prix Test of Time est décerné à l'algorithme classique A3C.

Sujets populaires

GTBurns2.57MInQ

PredictWorldCupShare20000U

IsraelStrikesIranBTCPlunges

StrategySells3588BTC

gStocksTokenizedStocksLive

Épinglé