Computerwissenschaften - Neuronales und evolutionäres Rechnen

Ein neues ConvNet-Design verbessert Flexibilität und Anpassungsfähigkeit durch kontinuierliche Symmetrie.

Ein Rahmen, um maschinelles Lernen Vorhersagen mit Klarheit und Vertrauen zu verbessern.

Dieser Artikel untersucht, wie Neuroevolution die Fahrzeugtrajektorievorhersage durch multiobjektive Optimierung verbessert.

Eine neue Methode kombiniert logisches Programmieren mit probabilistischen Modellen, um die Entscheidungsfindung zu verbessern.

Eine neue Schicht verbessert die Widerstandsfähigkeit von DNNs gegen subtile Eingabeveränderungen.

Forscher verbessern computergestützte Modelle des Immunsystems mithilfe von gewichteten endlichen Automaten.

Studie zeigt Methoden, um die Leistung von Reservoir-Computing bei komplexen Vorhersagen zu verbessern.

Neue Designs verbessern die Effizienz und den Energieverbrauch in neuromorphen Prozessoren.

Entdecke den Einfluss von stückweise linearen Aktivierungen auf Deep-Learning-Modelle.

Forscher nutzen Deep Learning, um Turbulenzmodelle in der Strömungsdynamik zu verbessern.

Ein Framework, das die Leistungsbewertung von Algorithmen durch visuelle Einblicke verbessert.

Kombination von DNNs und SNNs mit homomorpher Verschlüsselung, um die Datensicherheit zu gewährleisten.

FeatGeNN innoviert die Merkmalsgenerierung und verbessert die Leistung von Machine-Learning-Modellen.

Das Potenzial von Natural Evolution Strategies in variationalen Inferenzmodellen erkunden.

Einführung reversibler SNN-Knoten für effizientes Training und Speichergebrauch.

Ein neues Modell kombiniert U-Net und Spiking Neural Networks für effiziente Bildaufgaben.

SpikingBERT kombiniert spiking neuronale Netzwerke mit Sprachaufgaben für bessere Energieeffizienz.

Forschung zu Reservoir-Computing konzentriert sich darauf, Netzwerkdesigns zu optimieren, um maschinelles Lernen zu verbessern.

Der ReLiCA-Algorithmus vereinfacht die Modellerstellung mit Hilfe von zellulären Automatenregeln und effektiven Einstellungen.

Untersuchen, wie Prinzipien des Lernens im Gehirn die Algorithmen des maschinellen Lernens verbessern können.

Effiziente Modelle für die Ähnlichkeitsanpassung im Machine Learning erkunden.

Die Möglichkeiten und Herausforderungen von optischen neuronalen Netzwerken, die Licht für die Berechnung nutzen, erkunden.

Ein bahnbrechender Ansatz zur Ausbildung von neuronalen Netzwerken ohne Gradienten.

Entdecke EDOLAB, eine Plattform zur Lösung von sich ändernden Optimierungsproblemen.

Optische Computer nutzen Licht, um schnellere Verarbeitung und Energieeffizienz zu bieten.

Eine neue Methode verbessert die Leistung der Mehrklassenklassifikation mit ECOC und NEAT.

Neue Methoden optimieren tiefe neuronale Netzwerke für bessere Leistung in der realen Welt.

Eine neue Methode verbessert die Effizienz, indem sie PINNs in SNNs für wissenschaftliche Anwendungen umwandelt.

SPAIC verwandelt analoge Signale in Spike-Signale für verbessertes Edge-Computing.

Ein Blick auf diskrete neuronale Netze und ihre einzigartigen Trainingsmethoden.

Ein neues Modell verbessert die Risikobewertung und Behandlungsvorschläge bei koronaren Herzkrankheiten.

Ein neues Framework soll die Genauigkeit von Zeitabschätzungen bei Berechnungen in evolutionären Algorithmen verbessern.

Diese Studie präsentiert ein neues Modell für die Gedächtnisbildung in neuronalen Netzen.

Neue Algorithmen verbessern die Gedächtnisabruf in Hopfield-Netzwerken für bessere Leistung.

Neue Strategien verbessern das Lernen von neuronalen Netzwerken unter realen Bedingungen.

Dieser Artikel untersucht GANs zur Erstellung stabiler Angry Birds-Strukturen.

Neuronale ODEs verbinden neuronale Netzwerke mit dynamischen Systemen für fortgeschrittenes Lernen.

In diesem Paper geht's um Methoden zur Fitnessschätzung in genetischen Algorithmen mithilfe von maschinellem Lernen.

Die Möglichkeiten und Herausforderungen von optischen neuronalen Netzwerken in der Computertechnik erkunden.

Eine neue Methode verbessert die Effizienz der Jobplanung mit tiefen Verstärkungslern-Techniken.