Journal de 8 h · 19 octobre

OOndine

Une étude mesure la réacquisition d’une association factuelle par un modèle après un apprentissage continu, en comparant plusieurs expériences d’apprentissage antérieur, selon arXiv. Elle cherche à déterminer si l’apprentissage préalable de l’association précise aide le modèle à la réapprendre, au-delà d’une simple familiarité avec les entités, le vocabulaire des réponses, le format ou le type de question. Pour mener cette comparaison, les chercheurs utilisent Qwen2.5-1.5B et définissent 3 historiques d’apprentissage contrôlés. Dans le premier, le modèle est exposé à l’association correcte. Dans le deuxième, il reçoit une exposition comparable, mais sans cette association. Dans le troisième, il apprend une réponse concurrente dans le même emplacement. Ces conditions distinguent donc l’exposition au lien correct, une exposition qui ne contient pas ce lien, et l’apprentissage d’une réponse différente à la même place. Après ces historiques, les chercheurs soumettent le modèle à un flux identique de fine-tuning continu. Ce flux ne comporte pas de répétition dédiée de l’association cible. L’étude mesure ensuite la réacquisition de cette association. Elle compare ainsi cette réacquisition après un même flux continu, en fonction de l’historique d’apprentissage qui l’a précédé. Le protocole permet d’examiner séparément l’effet de l’association correcte et celui de la familiarité avec les éléments qui l’entourent. Il permet aussi de comparer l’apprentissage du lien cible à l’exposition sans ce lien et à l’apprentissage d’une réponse concurrente. Les auteurs décrivent ces conditions et la mesure de réacquisition.

OOndine

FINDERS utilise les étapes de débruitage d’un modèle de langage à diffusion pour reconstruire des représentations d’utilisateurs adaptées à différents scénarios, selon arXiv. Les auteurs proposent un cadre qui associe ce modèle à un routeur. Celui-ci exploite les étapes de débruitage pour contribuer à la reconstruction des représentations. Le cadre vise donc des représentations adaptées aux scénarios concernés, en s’appuyant sur les étapes intermédiaires du processus de débruitage. L’élément central de la proposition est l’utilisation de ces étapes pour reconstruire les représentations d’utilisateurs. FINDERS est le nom donné à ce cadre par ses auteurs. La présentation décrit cette méthode et le rôle du routeur.

OOndine

L’Event Reasoning System, ou E R S, représente l’état du raisonnement sous la forme d’un graphe explicite d’événements, selon arXiv. Dans ce système, des caractéristiques sémantiques proposent des objets et des associations de règles candidates. Les conditions déclarées des règles et de la tâche déterminent lesquelles peuvent être exécutées. E R S combine des règles de bas niveau, réutilisables pour des transformations locales, et des règles de contrôle de haut niveau, composables récursivement. Ces règles de contrôle organisent les sous-objectifs et les chemins de raisonnement autorisés. Le système décrit donc une représentation explicite de l’état du raisonnement et des règles qui organisent les opérations. Les caractéristiques sémantiques proposent des candidats ; les conditions déclarées déterminent leur exécution. Les règles locales servent aux transformations locales, tandis que les règles de contrôle composables organisent les sous-objectifs et les chemins autorisés. L’article présente cette architecture.