Informática - Computación Neuronal y Evolutiva

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.

Explorando modelos eficientes para la comparación de similitudes en aprendizaje automático.

Explorando el potencial y los desafíos de las redes neuronales ópticas usando luz para la computación.

Un enfoque innovador para entrenar redes neuronales sin gradientes.

Descubre EDOLAB, una plataforma para enfrentar problemas de optimización en cambio.

La computación óptica usa luz para ofrecer un procesamiento más rápido y eficiencia energética.

Un nuevo método mejora el rendimiento de clasificación multicategoría usando ECOC con NEAT.

Nuevos métodos optimizan redes neuronales profundas para un mejor rendimiento en el mundo real.

Un nuevo método mejora la eficiencia convirtiendo PINNs en SNNs para aplicaciones científicas.

SPAIC transforma señales analógicas en señales de picos para mejorar la computación en el borde.

Una mirada a las redes neuronales discretas y sus métodos de entrenamiento únicos.

Un nuevo modelo mejora la evaluación del riesgo de enfermedad arterial coronaria y las sugerencias de tratamiento.

Un nuevo marco busca mejorar la precisión de las estimaciones de tiempo de cálculo en algoritmos evolutivos.

Este estudio presenta un nuevo modelo para la codificación de memoria en redes neuronales.

Nuevos algoritmos mejoran la recuperación de memoria en redes de Hopfield para un mejor rendimiento.