Computerwissenschaften - Neuronales und evolutionäres Rechnen

Eine neue Methode vereinfacht, wie wir die Unsicherheit von Modellen in Vorhersagen einschätzen.

Erkunde die komplexe Reise, wie wir Farben wahrnehmen.

Polynomiale neuronale Netze entdecken und ihre Anwendungen in verschiedenen Bereichen.

Entdecke, wie neuromorphe Computer das Lernen des Gehirns nachahmen, um effiziente Maschinenintelligenz zu schaffen.

Innovative Architektur steigert die Effizienz im Deep Learning durch optische Berechnungen.

Ein neues Modell verbessert die Genauigkeit von Windgeschwindigkeitsvorhersagen in anspruchsvollen Landschaften.

Untersuchen, wie SNNs im Vergleich zu ANNs beim Energieverbrauch abschneiden.

Die Analyse des Einflusses von quaternionbasierten Komponenten auf die Leistung der Bildklassifikation.

ART vereinfacht die Entwicklung von Deep-Learning-Modellen mit strukturierten Schritten und Debugging-Tools.

Die kontinuierliche Lernens in neuronalen Netzwerken durch das Neural Tangent Ensemble erkunden.

Eine neue Methode verbessert die Effizienz der Signaltrennung in verschiedenen Anwendungen.

Ein neuer Simulator entwickelt Agenten, die in der Lage sind, Kultur und logisches Denken zu zeigen.

Die Teilnehmer haben bei den AI-Olympiaden komplexe Robotik-Aufgaben mit fortgeschrittenen Techniken gemeistert.

Neue Quanten-Neuronale Netzwerke, die sich anpassen und aus sich verändernden Daten lernen.

Ein neues Framework steigert die Effizienz der Fernerkundung mit gehirninspirierten Techniken.

Ein neuer Ansatz verbessert die Lösung komplexer Optimierungsprobleme mit diskreten und kontinuierlichen Variablen.

Ein neues Modell bietet energieeffiziente Sprachverarbeitung für kleine Geräte.

SNNAX vereinfacht und beschleunigt die Simulation von spiking neural networks für Forscher.

In diesem Artikel geht's darum, wie man mit Sound Robotern helfen kann, Hindernisse zu erkennen.

Ein Blick darauf, wie Überlagerung die Effizienz von neuronalen Netzen und den Umgang mit Komplexität verbessert.

Dieser Artikel bewertet die Effektivität von spärlichen Autoencodern in der Wissensrepräsentation über Städte.

Die Auswirkungen von prädiktivem Codieren auf Lernmethoden von neuronalen Netzwerken erkunden.

Eine neue Methode ermöglicht eine einfachere Umwandlung von ANNs in SNNs mit weniger Energieverbrauch.

Ein Blick darauf, wie Reservoir-Computing mehrere Aufgaben managt und welche Herausforderungen dabei auftreten.

Neue Studie zeigt, dass EEG und KI für die frühe Alzheimer-Diagnose wichtig sind.

Ein Framework, das LLMs nutzt, um evolutionäre Algorithmen für MOPs zu verbessern.

Die Verwendung von ko-evolutionären Algorithmen analysieren, um Gewinnstrategien in kombinatorischen Spielen zu finden.

Neuronale Raum-Zeiten bieten innovative Darstellungen zur Analyse gerichteter Graphen in verschiedenen Bereichen.

Y-Drop verbessert das Dropout, indem es sich auf die Wichtigkeit von Neuronen konzentriert und so die Modellleistung steigert.

Dieser Artikel untersucht einen neuen Ansatz zur Verbesserung von neuronalen Netzen mit Diophantischen Gleichungen.

Neue Optimierungsmethode, inspiriert von den Schlüpflingen der Oliven-Ridley-Schildkröte, zielt auf effektive Problemlösungen ab.

Ein neuer Ansatz zur Erzeugung von sinnvollen Erklärungen für die Analyse von Zeitreihendaten.

Eine neue Methode verbessert die symbolische Regression mithilfe von Sprachmodellen für eine bessere Datenanalyse.

Wir stellen COSCO vor, ein Framework, das die Klassifikationsgenauigkeit mit begrenzten Daten verbessert.

KAT verbessert Deep Learning, indem es fortschrittliche KANs anstelle von MLPs verwendet.

Eine Studie über Instanz- und Batch-Inkrementelles Lernen für verzögerte Labels bei der Betrugserkennung.

Wir stellen ein einzigartiges neuronales Netzwerk vor, das komplexe Daten effektiv verarbeitet.

SHIRE steigert die Lerngeschwindigkeit von Robotern, indem es menschliche Intuition mit verstärkendem Lernen kombiniert.

Ein neues System nutzt spiking neuronale Netzwerke für eine effiziente Datenverarbeitung.

Inferno hilft Forschern, effektiv mit spikenden neuronalen Netzwerken zu arbeiten.