Últimos artículos para Redes Neuronales Profundas

FlexCHarts adapta los espacios de búsqueda para redes neuronales profundas para mejorar la eficiencia y el rendimiento.

Explorando estrategias para mejorar los modelos de aprendizaje automático contra ataques de datos dañinos.

Una mirada al impacto de RGD en el rendimiento del modelo y la generalización.

Este artículo habla sobre técnicas para lograr precisión y privacidad en los modelos de aprendizaje automático.

Un nuevo método mejora la anotación celular en genómica de célula única.

Mejorando la claridad de la voz a través de técnicas efectivas de cancelación de eco y aprendizaje automático.

ReDy optimiza la eficiencia del aprendizaje profundo mediante la cuantización dinámica, reduciendo el consumo de energía.

Una mirada profunda sobre la pérdida contrastiva supervisada y su impacto en las redes neuronales profundas.

Un método para encontrar y arreglar errores en la conversión de modelos DNN.

Explorando cómo los exponentes de Lyapunov en tiempo finito revelan la sensibilidad de la red a cambios en la entrada.

Presentamos LWALM para un reconocimiento efectivo de atributos peatonales en dispositivos con recursos limitados.

La investigación presenta modelos eficientes para predecir la orientación de los barcos usando técnicas de aprendizaje profundo.

AIMC mejora la eficiencia en redes neuronales profundas al procesar los datos dentro de la memoria.

Examinando cómo BadNets explotan filtros de spam a través de tácticas de puerta trasera.

PLiNIO simplifica la optimización de redes neuronales profundas para dispositivos móviles y de borde.

Los investigadores están explorando defensas contra ataques de backdoor dañinos en modelos de aprendizaje automático.

Un nuevo método mejora soluciones para problemas complejos a múltiples escalas usando redes neuronales.

Este estudio compara métodos para manejar variables categóricas de alta cardinalidad en machine learning.

Métodos innovadores mejoran la eficiencia del entrenamiento en redes neuronales profundas.

Usando redes neuronales profundas para analizar datos de conducción de calor e identificar funciones potenciales.

Un nuevo enfoque mejora los modelos de aprendizaje profundo para la regresión no paramétrica usando entrenamiento adversarial.

Un nuevo método mejora el rendimiento de las DNN para aplicaciones del mundo real.

Examinando la importancia y técnicas de la predicción de rutas en servicios de entrega.

Los avances en las DNNs buscan mejorar la eficiencia de los dispositivos IoT.

Este artículo habla sobre los beneficios y desafíos del STT-MRAM para redes neuronales profundas.

Una nueva capa mejora la resistencia de las DNNs a cambios sutiles en la entrada.

Un enfoque en la confianza en los sistemas de IA para comunicaciones 6G fiables.

Jade mejora la calidad de video a través de la retroalimentación de los usuarios y técnicas de streaming adaptativas.

Combinando DNNs y SNNs con encriptación homomórfica para asegurar la privacidad de los datos.

CLLD mejora la detección de carriles en condiciones difíciles usando aprendizaje auto-supervisado.

Examinando cómo la compresión de modelos afecta a las defensas contra ataques adversariales.

Un estudio presenta un modelo para mejorar la identificación de huellas dactilares falsas.

Presentando un enfoque equilibrado para podar redes neuronales profundas de manera efectiva.

Una mirada a los desafíos y soluciones en los métodos de detección del cáncer de mama.

LEAP mejora las pruebas adversariales para software de procesamiento de lenguaje natural.

La investigación resalta las mejoras que la IA puede aportar a los audífonos en entornos ruidosos.

Este método mejora la clasificación de imágenes médicas usando redes neuronales de grafos.

Un vistazo a los métodos para analizar grandes conjuntos de datos espaciales y sus desafíos.

Una mirada a estrategias para mejorar el rendimiento de DNN en aplicaciones en tiempo real.

Nuevo método aborda problemas de sobreexposición en grabaciones de video diarias usando aprendizaje profundo.