Computerwissenschaften - Neuronales und evolutionäres Rechnen

Die GOMEA-Bibliothek kombiniert Python und C++ für effiziente Optimierungslösungen.

Ein neuer datengestützter Ansatz zur Vorhersage der Rissbildungstiefe in Asphaltbelägen.

Diese Studie stellt ein Modell vor, um Normen mit mehreren Werten in Agentensystemen in Einklang zu bringen.

Die Auswirkungen von Re-Initialisierungsmethoden in SNNs und ihre Anwendungen erkunden.

Ein neues Modell verbessert synthetische genetische Daten für bessere Diagnosen und Behandlungen.

Die Rolle von neuronalen Oszillatoren in der Weiterentwicklung von Machine-Learning-Technologien erkunden.

Dieser Artikel untersucht eine neue KI-Methode, um Neuronenmodelle effektiv zu studieren.

Ein Blick darauf, wie GKLS hilft, Optimierungsmethoden effektiv zu bewerten.

Ein neuer Ansatz nutzt MRT-Scans und maschinelles Lernen, um Alzheimer effektiv zu erkennen.

Eine Methode, um die Interpretierbarkeit und Leistung von neuronalen Netzen zu verbessern, inspiriert vom menschlichen Gehirn.

CHNNet bietet schnelleres Lernen und bessere Leistung bei neuronalen Netzwerken.

Kombination aus traditionellen Methoden und Machine Learning, um städtische Verkehrsnetze zu verbessern.

LavaBO bietet effiziente Lösungen für komplexe Optimierungsprobleme mit neuromorphem Rechnen.

SPENSER automatisiert die Erstellung von Spiking Neural Networks für bessere Bildklassifizierung.

Verbesserung spärlicher neuronaler Netze durch optimierte Aktivierungsfunktionen und Hyperparameter.

Ein neuer Ansatz zur Optimierung unter Verwendung von Prinzipien des Perfektionismus.

GELU bietet Vorteile gegenüber traditionellen Aktivierungsfunktionen in neuronalen Netzen.

Verbesserung von künstlichen Gedächtnissystemen durch neue Hopfield-Netzwerke, die von der Biologie inspiriert sind.

Grad-Align+ verbessert die Netzwerk-Ausrichtung, ohne zusätzliche Informationen zu benötigen.

Erforschen, wie NCAs wachsen und sich anpassen, indem sie interne und externe Signale nutzen.

Einführung des integrierten Vorwärts-Vorwärts-Algorithmus für besseres Training von neuronalen Netzen.

Diese Forschung untersucht, wie Kompositionalität die Imitation in künstlichen Sprachsystemen beeinflusst.

Ein neues System nutzt Gehirnmodelle, um Robotern zu helfen, sich in unbekannten Räumen zu bewegen.

PAO macht Optimierung einfacher zu benutzen und zu verstehen.

Den Vergleich zwischen den Problemlösungsfähigkeiten von Menschen und neuromorphen sowie traditionellen Computern.

Neue Methode verbessert die Bilderzeugung, indem sie Eingaben anpasst für mehr Benutzerzufriedenheit.

Die Rolle von Nischenkonstruktion in evolutionären Prozessen erkunden.

Untersuche, wie das Betrachten von neuronalen Netzen als Nutzenfunktionen unser Verständnis ihrer Leistungsfähigkeit verändert.

Die Kombination aus aktivem Lernen und physikalischen Vorgaben verbessert die Ergebnisse der symbolischen Regression.

CVGP hilft Forschern dabei, komplexe Zusammenhänge durch adaptive Experimente zu entdecken.

Das AD-NEv-Framework verbessert die Anomalieerkennung durch innovative Ansätze.

Diese Forschung schlägt vor, einzelne Neuronen zu optimieren, um die KI-Leistung zu verbessern.

Neue Methode verbessert bayessche Inferenz und geht die Herausforderungen komplexer Daten an.

Ein neues Modell verbessert das Verständnis von Glaubenssystemen in der menschlichen Kognition.

Untersuchung des Forward-Forward-Algorithmus und seines Potenzials, biologisches Lernen nachzuahmen.

EfficientLIF-Net senkt die Speicherkosten in SNNs, während die Leistung erhalten bleibt.

Lern, wie DT-SNN die Effizienz in neuronalen Netzen verbessert.

Forscher nutzen Gehirndaten, um das Lernen und die Anpassungsfähigkeit von KI zu verbessern.

Entdeck NE-MOEA, eine nichthierarchische Methode, um mehrzielige Probleme effizient zu lösen.

Eine neue Methode sagt die Leistung von neuronalen Netzwerken nur anhand der Gewichtungsparameter voraus.