Computerwissenschaften - Neuronales und evolutionäres Rechnen

Erkunde die Modelle, die Gehirnprozesse durch Spikes nachahmen.

KAT ermöglicht es Robotern, Aufgaben schnell mit weniger Beispielen zu lernen.

Assembly-Programmierung trifft auf Wettbewerb, während Überlebende in CodeGuru Xtreme kämpfen.

NYCTALE verbessert die Bewertung von Lungenknoten durch eine fortschrittliche Analyse von CT-Scans.

Neue memristive Geräte ahmen die Funktionen des Gehirns nach und steigern die Effizienz des KI-Lernens.

Ein Blick darauf, wie Agenten ihr Lernen für die Nahrungsbeschaffung anpassen.

Ein Blick darauf, wie Materie im Universum durch symbolische Annäherungen verteilt ist.

SpikExplorer vereinfacht das Design von energieeffizienten Spiking Neural Networks für tragbare Geräte.

PNCs kombinieren neuronale Netze und probabilistische Schaltungen für bessere Vorhersagen und Modellierungen.

Eine neue Perspektive darauf, wie neuronale Netze Merkmale durch expertenähnliche Wege lernen.

Neue Methoden verbessern die Effizienz bei der Auswahl von Zielgruppen für Netzwerkbeeinflussung.

Eine neue flexible Methode für Mutationsraten verbessert die Effektivität von evolutionären Algorithmen.

Strukturell flexible neuronale Netzwerke verbessern die Anpassungsfähigkeit für unterschiedliche Aufgaben.

EODE verbessert die Genauigkeit der Krebsdiagnose durch innovative Modelltechniken.

Entdecke einen neuen Ansatz, um das Lernen von neuronalen Netzwerken mit biologischen Prinzipien zu verbessern.

EBGWO verbessert die Lösungsfindung durch innovative Mechanismen bei Optimierungsaufgaben.

Deep Learning einsetzen, um die Effizienz des öffentlichen Verkehrs zu verbessern und Kosten zu senken.

Ein neuer Ansatz verbessert die Hindernisvermeidung bei Robotern durch neuromorphe Computer.

Ein neuer KI-Ansatz zielt darauf ab, die Geschwindigkeit und Effizienz bei der Erstellung von Bildern und Videos zu verbessern.

Entdecke, wie neuromorphe Computerkommunikation in Mikronetzen verbessern.

Diese Forschung identifiziert vielversprechende neue Optimierer für Deep-Learning-Modelle.

Diese Studie bewertet Surrogatmodelle hinsichtlich Effizienz und Genauigkeit bei Optimierungsaufgaben.

Erforsche, wie grundlegende Regeln Agenten helfen können, durch Labyrinthe mit minimalen Informationen zu navigieren.

Diese Forschung hebt die Rolle von Crossover und Diversität in evolutionären Algorithmen hervor.

Eine neue Methode kombiniert Algorithmen, um Herausforderungen in der Multi-Objektiv-Optimierung anzugehen.

Forschung verbessert die Effizienz und Genauigkeit von Entscheidungen in spiking neuronalen Netzwerken.

Ein neues Framework verbessert die Modellleistung durch synaptische Verzögerungen in neuromorphen Systemen.

Ein neuer Ansatz verbessert die Effizienz beim Lösen von komplexen, überlappenden Problemen.

Diese Studie hebt die Rolle von Vielfalt in evolutionären Algorithmen für Matching-Probleme hervor.

Die Vorteile und Herausforderungen der Multi-Objektiv-Optimierung mit NSGA-III erkunden.

Dieser Artikel untersucht, wie Vielfalt die Effizienz von genetischen Algorithmen beeinflusst, besonders beim LeadingOnes-Problem.

Eine neue Methode zielt darauf ab, Vorurteile im maschinellen Lernen für sich entwickelnde Datenströme zu reduzieren.

Untersuchung der Effektivität von selbstanpassenden Algorithmen für Optimierungsprobleme.

Erkunde die Verbindung zwischen Thermodynamik und maschinellem Lernen, um komplexe Systeme zu vereinfachen.

Ein neuer Ansatz, der genetisches Programmieren nutzt, um Verlustfunktionen für die Bildklassifizierung zu verbessern.

Eine Methode zum Erstellen anpassungsfähiger Steuerungen für verschiedene Roboterdesigns.

Dieser Artikel beschäftigt sich mit Multi-Objective-Optimierung und dem MOEA/D-Ansatz.

Ein neues Modell, das erklärt, wie Gedächtnis organisiert und abgerufen werden kann.

NeuraChip verbessert die Effizienz bei der Verarbeitung von Graphdaten für verschiedene Anwendungen.

Eine neue Methode verbessert die Effizienz bei der Bewältigung komplexer Optimierungsherausforderungen.