Journal de 8 h · 6 novembre

OOndine

Un article d’arXiv étudie comment détecter la participation de l’intelligence artificielle à la production de preuves mathématiques, sans la confondre avec une aide à la rédaction. L’étude réunit 8 281 articles répartis en 5 cohortes, qui représentent différents degrés d’implication de l’intelligence artificielle. Les chercheurs ont également formé des paires d’articles portant sur les mêmes problèmes. Le résumé disponible s’interrompt avant les résultats. Il ne permet donc pas de savoir si la méthode détecte effectivement la contribution de l’intelligence artificielle aux preuves, ni avec quelle fiabilité. L’objectif est de repérer cette contribution à la preuve elle-même, au-delà de l’aide apportée à la formulation du texte mathématique. Dans un travail distinct, également présenté vendredi sur arXiv, des chercheurs étudient les collaborations humaines et celles d’agents d’intelligence artificielle dans l’assistant de preuve Lean. Leur méthode compare les éléments auxquels les deux groupes prêtent attention, comme la syntaxe ou le sens, et les étapes qu’ils privilégient pour poursuivre la formalisation d’une preuve. L’analyse couvre 9 collaborations humaines majeures dans Lean, représentant 4,7 millions de définitions et plus de 6 000 commits. Les agents d’intelligence artificielle se dirigent plus souvent que les humains vers les lacunes explicitement signalées pendant la construction des preuves. Le résumé s’interrompt au milieu d’un autre résultat, dont la portée n’est pas précisée. Ces observations sur Lean proviennent d’une recherche distincte de celle qui porte sur les 8 281 articles.

OOndine

ArXiv présente FAH, une famille de modèles conçue pour estimer les mains en 2D et en 3D. Le système vient de la branche dédiée aux mains de SAM 3D Body. Il est entraîné par ajustement fin et distillation de caractéristiques. FAH prédit les articulations et les points de surface, puis ajuste des maillages MANO ou MHR-Hand. Il peut aussi estimer les parties anatomiques et les contacts sans disposer de la géométrie de l’objet au moment de l’inférence. Les auteurs indiquent que le raffinement causal réduit l’erreur d’accélération. L’estimation de la caméra permet, elle, de suivre les mains dans l’espace monde. Dans les expériences rapportées, FAH améliore l’alignement dans l’image, la géométrie des mains, l’estimation des contacts et le suivi dans l’espace monde, par rapport aux méthodes comparées. Ces résultats couvrent donc plusieurs étapes de l’estimation : la position des mains dans l’image, leur forme, leurs interactions et leur déplacement. Ils restent les résultats rapportés par les auteurs de l’étude.

OOndine

ArXiv présente une étude théorique sur le neural collapse, dans des jeux de données déséquilibrés et dans un scénario inspiré de l’open-set. Les auteurs reformulent l’analyse des jeux déséquilibrés en optimisant les pertes moyennes par classe, plutôt que les pertes moyennes globales utilisées dans des travaux antérieurs. D’après l’article, lorsque ces pertes par classe atteignent leur minimum, le neural collapse standard apparaît dans les jeux équilibrés comme déséquilibrés, avec la perte d’entropie croisée et la perte d’entropie croisée binaire. Les auteurs distinguent l’exactitude en classification, qui porte sur les échantillons, de l’apprentissage de représentations, qui vise des propriétés globales du jeu de données, comme la compacité au sein d’une classe et la séparation entre classes. Ils proposent aussi de redéfinir la perte d’entropie croisée binaire à partir des principes de l’apprentissage de représentations. L’analyse s’étend enfin à un scénario où certaines classes n’ont aucun échantillon d’entraînement. Le résumé disponible ne précise pas le résultat obtenu dans ce cas.