Informática - Computación Neuronal y Evolutiva

Un estudio destaca la importancia de los parámetros temporales en el rendimiento de las redes neuronales.

Una mirada a la optimización multiobjetivo usando algoritmos evolutivos.

Un nuevo marco que mejora las predicciones usando principios cognitivos y ponderación precisa.

Explorando neuronas especializadas diseñadas para tareas específicas en redes artificiales.

Una visión general de los métodos de entrenamiento para redes neuronales de disparo y sus implicaciones.

Los modelos modernos de Hopfield mejoran la memoria y las capacidades de recuperación de las máquinas.

Explora cómo el análisis de drift mejora la eficiencia de los algoritmos de IA.

Un nuevo marco mejora la optimización en el aprendizaje automático usando información de comportamiento.

Aprende cómo las funciones afines mejoran las redes neuronales espinosas para un mejor rendimiento.

Nuevas técnicas mejoran el aprendizaje en redes neuronales de picos mientras reducen las necesidades de memoria.

Una mirada detallada a la efectividad del algoritmo MAg-ES para resolver problemas de optimización restringidos.

Introduciendo minimización consciente de la nitidez para mejorar la construcción de características en la programación genética.

Los sistemas de IA están cada vez más alineados en cómo representan los datos.

Un nuevo método mejora la detección del TDAH usando canales de EEG selectivos.

Nuevas técnicas mejoran la fiabilidad y simplicidad en los modelos de programación genética.

Un enfoque novedoso para la maximización de influencia en redes complejas.

Un nuevo método para crear diseños arquitectónicos diversos y eficientes.

Un enfoque novedoso para abordar la optimización no lineal en condiciones difusas.

Safe CMA-ES optimiza soluciones mientras prioriza la seguridad en varios campos.

Explorando los RNCs y su papel en el procesamiento del lenguaje a través de elementos de identidad.

Un nuevo método mejora la eficiencia de búsqueda para desafíos de optimización multiobjetivo.

Una mirada a cómo la composicionalidad conecta el lenguaje, el pensamiento y la IA.

Combinar representaciones en programación genética lleva a mejorar la resolución de problemas.

MoEUT mejora la eficiencia y el rendimiento de los Transformadores Universales en tareas de lenguaje.

Los MLPs muestran una efectividad sorprendente en el aprendizaje en contexto, desafiando las opiniones sobre la complejidad del modelo.

Una mirada a los sueños neuromórficos y su impacto en la eficiencia de la IA.

Los ETNNs mejoran el análisis de datos complejos a través de la integración topológica y geométrica.

La transición de ECDF a EAF mejora el análisis del rendimiento del algoritmo.

Este estudio explora cómo los agentes se comunican a través de la imitación de señales útiles.

Explorando cómo las GPUs mejoran la eficiencia de los algoritmos de Evolución Diferencial.

Explora el papel de la memoria y el contexto en la mejora del aprendizaje automático.

SynCx mejora el descubrimiento de objetos usando pesos de valores complejos y procesamiento iterativo.

Este artículo habla sobre cómo GRSNN mejora las tareas de razonamiento gráfico usando el retraso sináptico.

El marco CELL mejora la selección de interacciones de características para recomendaciones personalizadas.

Este estudio examina el rendimiento de la programación genética para tareas de regresión simbólica.

Este documento presenta L-HiTS, un método para simular sistemas complejos usando aprendizaje profundo.

Una mirada más cercana al papel de la retropropagación en el aprendizaje máquina y biológico.

Los DDPMs crean nuevas imágenes al mezclar atributos de varias categorías.

Explorando cómo la dinámica caótica puede mejorar las redes neuronales profundas en la inteligencia artificial.

Este artículo examina una nueva forma de crear algoritmos con LLMs.