Informática - Computación Neuronal y Evolutiva

Explora los modelos que imitan los procesos del cerebro a través de picos.

KAT permite que los robots aprendan tareas rápido con menos ejemplos.

La programación en ensamblador se enfrenta a la competencia mientras los sobrevivientes luchan en CodeGuru Xtreme.

NYCTALE mejora la evaluación de nódulos pulmonares a través de un análisis avanzado de las tomografías computarizadas.

Nuevos dispositivos memristivos imitan funciones del cerebro, mejorando la eficiencia del aprendizaje de la IA.

Una mirada a cómo los agentes adaptan su aprendizaje para recolectar comida.

Una mirada a cómo se distribuye la materia en el universo a través de aproximaciones simbólicas.

SpikExplorer simplifica el diseño de Redes Neuronales Espinosas eficientes en energía para dispositivos portátiles.

Los PNCs combinan redes neuronales y circuitos probabilísticos para mejorar la predicción y el modelado.

Una nueva perspectiva sobre cómo las redes neuronales aprenden características a través de caminos parecidos a los de un experto.

Nuevos métodos mejoran la eficiencia en la selección de conjuntos de objetivos para la influencia en redes.

Un nuevo método flexible para las tasas de mutación mejora la efectividad de los algoritmos evolutivos.

Las Redes Neuronales Estructuralmente Flexibles mejoran la adaptabilidad para tareas diversas.

EODE mejora la precisión en la clasificación del cáncer mediante técnicas de modelo innovadoras.

Explora un enfoque novedoso para mejorar el aprendizaje de redes neuronales usando principios biológicos.

EBGWO mejora la búsqueda de soluciones a través de mecanismos innovadores en tareas de optimización.

Usando aprendizaje profundo para mejorar la eficiencia del transporte público y reducir costos.

Un nuevo enfoque mejora la evitación de obstáculos en robots usando computación neuromórfica.

Un nuevo enfoque de IA busca mejorar la velocidad y eficiencia en la generación de imágenes y videos.

Descubre cómo la computación neuromórfica mejora la comunicación en microredes.

Esta investigación identifica nuevos optimizadores prometedores para modelos de deep learning.

Este estudio evalúa modelos sustitutos para eficiencia y precisión en tareas de optimización.

Explora cómo reglas básicas pueden ayudar a los agentes a navegar laberintos con información mínima.

Esta investigación destaca el papel del cruce y la diversidad en los algoritmos evolutivos.

Un nuevo método combina algoritmos para enfrentar desafíos de optimización multiobjetivo.

La investigación mejora la eficiencia y precisión en la toma de decisiones en redes neuronales de picos.

Un nuevo marco mejora el rendimiento del modelo utilizando retrasos sinápticos en sistemas neuromórficos.

Un nuevo enfoque mejora la eficiencia para resolver problemas complejos y entrelazados.

Este estudio resalta el papel de la diversidad en los algoritmos evolutivos para problemas de emparejamiento.

Explora los beneficios y desafíos de la optimización multiobjetivo usando NSGA-III.

Este artículo examina cómo la diversidad influye en la eficiencia de los algoritmos genéticos, especialmente en el problema de LeadingOnes.

Un nuevo método busca reducir el sesgo en el aprendizaje automático para flujos de datos en evolución.

Examinando la efectividad de los algoritmos autoajustables para problemas de optimización.

Explora la conexión entre la termodinámica y el aprendizaje automático para simplificar sistemas complejos.

Un enfoque novedoso que utiliza programación genética para mejorar las funciones de pérdida en la clasificación de imágenes.

Un método para crear controladores adaptables para diferentes diseños de robots.

Este artículo explora la optimización multiobjetivo y el enfoque MOEA/D.

Un nuevo modelo que explica cómo se puede organizar y recuperar la memoria.

NeuraChip mejora la eficiencia en el procesamiento de datos de gráficos para varias aplicaciones.

Un nuevo método mejora la eficiencia en la gestión de desafíos de optimización complejos.