Últimos artículos para Redes Neuronales

Este estudio explora el papel de las capas feed-forward en los modelos de lenguaje de código.

Combinando sonido e imágenes para sistemas de reconocimiento más inteligentes.

Explorando cómo las redes neuronales usan sus pesos aprendidos de manera efectiva.

Este artículo describe un nuevo enfoque usando Entrenamiento en el Momento de la Prueba para mejorar el rendimiento de las RNN.

Un método para mejorar la eficiencia del modelo en el aprendizaje automático a través de estrategias de poda efectivas.

LayerShuffle mejora la robustez de las redes neuronales al permitir una ejecución flexible de las capas.

Explorando cómo las redes de Hopfield imitan el almacenamiento y la recuperación de memoria en el cerebro.

Presentamos un nuevo método para redes neuronales bayesianas que mejora el modelado de la incertidumbre.

Explorando fKANs y su impacto en el rendimiento del aprendizaje automático.

Estudio sobre la influencia del tamaño del campo receptivo en modelos U-Net para segmentación de imágenes.

ElasticAST permite procesar audio de longitud variable de manera eficiente sin perder detalles importantes.

Un nuevo método simplifica formas 3D complejas con superficies de barrido efectivas.

Este artículo investiga cómo las redes neuronales procesan datos a través de sus representaciones.

Un nuevo enfoque mejora el tiempo y la eficiencia del entrenamiento de CNN.

Presentando un método que mejora el aprendizaje con datos limitados sin olvidar lo que ya se sabe.

Una mirada a cómo mejorar el uso de FPGA en aplicaciones de DNN con nuevas técnicas.

Presentando matrices Group-and-Shuffle para un ajuste fino eficiente de modelos neuronales.

Un estudio sobre cómo mejorar la toma de decisiones en el ajedrez con información limitada usando redes neuronales.

Un nuevo método que utiliza vectores circulares mejora la eficiencia en tareas de múltiples etiquetas.

LeRF combina el aprendizaje profundo y la interpolación para mejorar el redimensionamiento de imágenes.

Este artículo examina cómo razonan los Transformers y el papel de los scratchpads.

Un nuevo método aborda desafíos clave en el aprendizaje por refuerzo a través de técnicas de optimización mejoradas.

Examinando el impacto de las funciones de activación periódicas en la eficiencia de aprendizaje y la generalización.

CCL se asegura de que las redes neuronales mantengan precisión mientras aprenden nuevas tareas.

El aprendizaje automático mejora las técnicas de control cuántico para aplicaciones tecnológicas más avanzadas.

Usando redes neuronales para identificar ondas magnéticas quirales en la física de partículas.

MambaVision combina Mamba y Transformers para mejorar el reconocimiento de imágenes.

Un estudio revela cómo la escasez en los modelos de IA cambia en las capas durante el entrenamiento.

DisMAE mejora la generalización del modelo entre dominios usando datos no etiquetados.

Un enfoque nuevo para mejorar las observaciones de rayos gamma usando redes neuronales.

Un modelo híbrido mejora la restauración de imágenes usando Redes Neuronales de Púlsos y Convolucionales.

Este artículo habla sobre nuevos métodos que mejoran el rendimiento del aprendizaje profundo usando derivadas no locales.

Este artículo examina la eficacia de Adagrad y sus ventajas sobre los métodos estándar en el entrenamiento con lotes grandes.

Un estudio sobre el uso de redes neuronales para simular la dinámica de fases de materiales.

Un estudio sobre técnicas de aprendizaje automático para modelar sistemas atómicos.

Un nuevo método mejora la privacidad al entrenar modelos de aprendizaje profundo.

Nuevos métodos reducen el uso de memoria mientras mantienen el rendimiento en LLMs.

Aprende cómo la esparsidad de bloques de peso mejora el rendimiento y la eficiencia de la IA.

Este artículo examina cómo los cambios en las capas afectan el rendimiento del modelo transformador.

Aprende cómo el mini-batch SGD mejora el entrenamiento de redes neuronales y la selección de características.