research.baam
Références externesExternal references

RéférencesReferences

Articles et travaux extérieurs qui croisent mes questions de recherche. Pas une simple bibliographie : chaque référence est expliquée, reformulée et mise en relation avec la trajectoire BAAM. External papers and works that intersect my research questions. Not a mere bibliography: each reference is explained, restated, and connected to the BAAM trajectory.

Modèles du monde · Planification · AdaptationWorld models · Planning · Adaptation

AdaJEPA : un modèle du monde qui continue d'apprendre pendant qu'il agit AdaJEPA: A World Model That Keeps Learning While It Acts

L'adaptation au test à l'intérieur de la boucle de planification Test-time adaptation inside the planning loop

Un modèle du monde n'a pas besoin d'être juste, mais corrigible : la conséquence de chaque action est déjà l'étiquette dont le modèle avait besoin. Un pas de gradient par replanification suffit à doubler le succès sous décalage — mais l'analyse révèle une cécité : adapter, ici, veut dire ramener l'inconnu dans le vocabulaire du connu. A world model needs to be correctable, not right: the consequence of every action is already the label the model needed. One gradient step per replan doubles success under shift — but the analysis reveals a blindness: adapting, here, means pulling the unknown back into the vocabulary of the known.

Wang, Bounou, LeCun, Ren · arXiv 2026 Lire l'explication →Read the explainer →
Statistique · Détection · ÉquitéStatistics · Detection · Fairness

Les détecteurs d'IA échouent face à la diversité des étudiants AI Detectors Fail Diverse Student Populations

Un cadrage mathématique des limites structurelles de la détection A Mathematical Framing of Structural Detection Limits

Pourquoi aucun détecteur de texte IA, aussi bon soit-il, ne peut éviter les fausses accusations dès que l'écriture de certains humains recouvre celle de la machine. Une seule inégalité élémentaire suffit à établir la barrière — et elle vient de la diversité humaine, pas de la qualité de l'IA. Why no AI text detector, however good, can avoid false accusations once some humans' writing overlaps with the machine's. A single elementary inequality establishes the barrier — and it stems from human diversity, not AI quality.

N.A. Garland · arXiv 2026 Lire l'explication →Read the explainer →