Informatique - Informatique neuronale et évolutive

TACOS propose une solution à l'interférence catastrophique dans les systèmes d'apprentissage AI.

De nouvelles fonctions d'activation améliorent les réseaux de neurones pour résoudre des équations complexes.

Polar-FFA améliore l'apprentissage dans les réseaux de neurones, augmentant la précision et la stabilité.

Un regard sur l'amélioration de la planification des trains avec des agents d'apprentissage continu.

Présentation de LFLDNets, une nouvelle approche pour modéliser efficacement des systèmes physiques complexes.

Cet article examine comment l'adaptation de la force de mutation améliore les performances des algorithmes évolutifs.

Un aperçu approfondi des unités récurrentes à portes dans l'apprentissage de séquences.

Une nouvelle méthode améliore la précision des mesures de gaz en utilisant l'apprentissage automatique et la physique.

NeurELA améliore l'optimisation boîte noire grâce à l'analyse de paysage en temps réel et à l'apprentissage par méta.

Un aperçu de l'IA efficace utilisant des SNN et la technologie IMC.

Un nouvel algorithme améliore les estimations de l'activité cérébrale dans des environnements bruyants et complexes.

Une nouvelle méthode simplifie comment on évalue l'incertitude des modèles dans les prédictions.

Explore le parcours complexe de comment on perçoit les couleurs.

Explorer les réseaux de neurones polynomiaux et leurs applications dans différents domaines.

Découvrez comment l'informatique neuromorphique imite l'apprentissage du cerveau pour une intelligence machine efficace.

L'architecture innovante améliore l'efficacité de l'apprentissage profond grâce à la computation optique.

Un nouveau modèle améliore la précision des prévisions de vitesse du vent dans des paysages difficiles.

Examiner comment les SNNs se comparent aux ANN en consommation d'énergie.

Analyse de l'impact des composants basés sur les quaternions sur les performances de classification d'images.

ART simplifie le développement de modèles de deep learning avec des étapes structurées et des outils de débogage.

Explorer l'apprentissage continu dans les réseaux de neurones grâce à l'ensemble tangent neural.

Une nouvelle méthode améliore l'efficacité de la séparation des signaux dans diverses applications.

Un nouveau simulateur fait évoluer des agents capables de culture et de raisonnement.

Les participants ont relevé des défis compliqués en robotique aux Olympiades de l'IA en utilisant des techniques avancées.

Présentation de nouveaux réseaux neuronaux quantiques qui s'adaptent et apprennent à partir de données en évolution.

Un nouveau cadre améliore l'efficacité de la télédétection en utilisant des techniques inspirées du cerveau.

Une nouvelle méthode améliore la résolution de défis d'optimisation complexes avec des variables discrètes et continues.

Un nouveau modèle propose un traitement du langage économe en énergie pour les petits appareils.

SNNAX simplifie et accélère la simulation des réseaux de neurones spiking pour les chercheurs.

Cet article parle de l'utilisation du son pour aider les robots à détecter des obstacles.

Un aperçu de comment la superposition améliore l'efficacité des réseaux de neurones et la gestion de la complexité.

Cet article évalue l'efficacité des autoencodeurs spars dans la représentation des connaissances sur les villes.

Explorer l'impact du codage prédictif sur les méthodes d'apprentissage des réseaux de neurones.

Une nouvelle méthode permet de convertir plus facilement les ANN en SNN avec moins de consommation d'énergie.

Un aperçu de la façon dont l'informatique de réservoir gère plusieurs tâches et ses défis.

Une nouvelle étude met en avant l'EEG et l'IA pour un diagnostic précoce de l'Alzheimer.

Un cadre utilisant des LLM pour améliorer les algorithmes évolutifs pour les MOP.

Analyser l'utilisation des algorithmes de coévolution pour trouver des stratégies gagnantes dans des jeux combinatoires.

Les espaces neuraux proposent des représentations innovantes pour analyser des graphes orientés dans différents domaines.

Y-Drop améliore le dropout en se concentrant sur l'importance des neurones, ce qui booste les performances du modèle.