Informática - Computación Neuronal y Evolutiva

Nuevos métodos mejoran el rendimiento del conjunto en el aprendizaje automático automatizado.

Explora cómo las plantas virtuales se adaptan y evolucionan en entornos simulados.

La computación neuromórfica mejora el filtrado de datos en experimentos de física de alta energía.

Nuevos modelos lineales desafían los métodos tradicionales en el procesamiento de datos secuenciales.

Una visión general de los métodos de poda y cuantización aplicados a YOLOv5.

Examinando varias estrategias para una optimización efectiva en espacios de búsqueda finitos e infinitos.

Los investigadores mejoran las redes neuronales usando chips neuromórficos para tomar mejores decisiones.

Las técnicas de aprendizaje automático están transformando la mecánica de sólidos a través de una solución de problemas más rápida y eficiente.

Descubre las últimas innovaciones en optimización de cartera y gestión de riesgos.

Nuevos métodos mejoran la eficiencia de las Redes Neuronales Espinosas gracias a la reducción de disparos.

Nuevo método mejora el aprendizaje en Redes Neuronales Espigadas al incorporar ajustes de retraso.

RAVENS imita la función cerebral para crear chips de computadora adaptativos.

Una mirada a cómo la computación de reservorios aborda los desafíos de datos dependientes del tiempo.

Los flujos de asignación de estados cuánticos mejoran el análisis de datos a través de asignaciones de etiquetas flexibles.

Explorando nuevos métodos para entrenar redes neuronales recurrentes de manera efectiva.

Explorando ideas biológicas para mejorar las tecnologías de Deep Learning.

Este artículo examina cómo los modelos biológicos mejoran la IA a través de redes neuronales de picos.

Este estudio analiza cómo los componentes del algoritmo afectan el rendimiento en la optimización multiobjetivo.

El aprendizaje activo mejora la eficiencia del entrenamiento de datos mediante la selección estratégica de muestras.

Un estudio revela el reconocimiento de actividades humanas eficientes en energía usando redes neuronales de picos en dispositivos portátiles.

Un nuevo diseño de ConvNet mejora la flexibilidad y adaptabilidad a través de la simetría continua.

Un marco para mejorar las predicciones de aprendizaje automático con claridad y confianza.

Este artículo examina cómo la neuroevolución mejora la predicción de la trayectoria de vehículos mediante optimización de múltiples objetivos.

Un nuevo método combina programación lógica con modelos probabilísticos para mejorar la toma de decisiones.

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

Los investigadores mejoran los modelos de computadora del sistema inmunológico a través de máquinas de estados finitos ponderadas.

El estudio resalta métodos para mejorar el rendimiento de la computación en reservorios en predicciones complejas.

Nuevos diseños mejoran la eficiencia y el uso de energía en procesadores neuromórficos.

Descubre el impacto de las activaciones lineales por partes en los modelos de aprendizaje profundo.

Los investigadores usan aprendizaje profundo para mejorar los modelos de turbulencia en dinámica de fluidos.

Un marco que mejora la comparación del rendimiento de algoritmos a través de ideas visuales.

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

FeatGeNN innova en la generación de características, mejorando el rendimiento de los modelos de aprendizaje automático.

Explorando el potencial de las Estrategias de Evolución Natural en modelos de inferencia variacional.

Presentando nodos SNN reversibles para un entrenamiento y uso de memoria eficiente.

Un nuevo modelo integra U-Net y Redes Neuronales Espinosas para tareas de imagen eficientes.

SpikingBERT combina redes neuronales con picos y tareas de lenguaje para ser más eficiente en energía.

La investigación sobre computación en reservorios se centra en optimizar los diseños de redes para mejorar el aprendizaje automático.

El algoritmo ReLiCA simplifica la creación de modelos usando reglas de autómatas celulares y configuraciones efectivas.

Examinando cómo los principios de aprendizaje del cerebro pueden mejorar los algoritmos de aprendizaje automático.