Informatique - Informatique neuronale et évolutive

Cet article examine le lien entre l'apprentissage profond et les méthodes de groupe de renormalisation en utilisant le modèle d'Ising.

Une étude sur la parallélisation des réseaux de neurones en utilisant le langage de programmation Go.

Les astrocytes améliorent la performance et la tolérance aux pannes des réseaux de neurones à impulsions.

Explorer comment les essaims de robots naviguent à travers des obstacles dans des environnements imprévisibles.

Des recherches explorent comment l'IA interprète la justice et la moralité dans le langage.

Cette étude automatise la classification des textes scientifiques avec les bonnes ontologies.

Une nouvelle méthode pour optimiser les réseaux de neurones profonds sur des appareils avec peu de ressources.

Un nouveau modèle améliore les prévisions pour l'hystérésis magnétique dans les matériaux.

Une nouvelle méthode améliore la sélection des caractéristiques en modifiant les caractéristiques fantômes avec du bruit.

Une nouvelle approche utilisant des graphes d'assemblage communautaire pour étudier la sélection lexicase en programmation génétique.

Une nouvelle méthode améliore les modèles d'apprentissage profond pour une utilisation efficace dans la technologie portable.

Les réseaux de neurones hyperboliques améliorent la représentation des structures d'arbre dans la science des données.

dNEAT propose une nouvelle façon de modéliser des systèmes complexes de manière efficace.

De nouvelles méthodes intègrent des solutions non évaluées dans les algorithmes d'optimisation pour une meilleure efficacité.

Cet article explique comment utiliser des réseaux de neurones pour la reconnaissance de scènes dans des films et des séries.

Un nouveau modèle imite les processus cérébraux pour améliorer l'analyse d'images.

Cette étude améliore la sensibilité des biosenseurs RF en utilisant des techniques d'optimisation avancées.

Les réseaux de nuages de points réduisent les paramètres tout en gardant la performance dans les tâches d'apprentissage profond.

ThinResNet établit des repères fiables pour comparer les méthodes d'élagage dans les réseaux de neurones.

L'automatisation de la conception des RNN améliore la modélisation des systèmes dynamiques.

Une nouvelle méthode corrige les prédictions de l'apprentissage automatique dans les applications d'ingénierie.

Explorer comment le design des robots influence le mouvement et l'apprentissage des tâches.

SAM améliore l'entraînement des réseaux de neurones en se concentrant sur la stabilité des paramètres.

Explorer comment l'apprentissage automatique améliore le contrôle prédictif basé sur des modèles pour de meilleures performances système.

Des technologies avancées améliorent les prévisions de température dans les fours de réchauffage pour une meilleure efficacité.

PyVRP propose des solutions efficaces pour des défis de routage de véhicules complexes.

Un aperçu pour améliorer l'apprentissage machine grâce aux techniques d'apprentissage de représentation.

Une méthode qui imite l'apprentissage humain pour une meilleure adaptabilité des machines.

Une nouvelle approche combine deux méthodes pour mieux résoudre les problèmes.

Une nouvelle approche fusionne des modèles d'état avec des réseaux de neurones à impulsions pour une meilleure gestion des données.

Apprends comment les méthodes inspirées de la bio améliorent la prédiction des maladies chroniques.

Un aperçu de plusieurs méthodes pour trouver plusieurs bonnes solutions.

Les DPCNN améliorent la reconnaissance d'image grâce à des méthodes de traitement semblables à celles du cerveau.

Explorer le potentiel des SNN dans les applications d'informatique en périphérie.

Voici DREA, un nouvel algorithme pour trouver des solutions fiables en optimisation.

Explorer le rôle des réseaux de neurones à valeurs hypercomplexes dans les applications modernes.

t-DGR propose une nouvelle approche de l'apprentissage continu, améliorant la rétention des tâches et la performance.

Un nouveau cadre améliore les SNN pour une meilleure efficacité et performance.

Un aperçu de l’entraînement modulaire inspiré du cerveau pour une meilleure clarté des modèles d'IA.

Combiner les retours d'experts avec des algos pour de meilleurs choix d'architecture logicielle.