Informatique - Informatique neuronale et évolutive

Cette recherche identifie de nouveaux optimiseurs prometteurs pour les modèles d'apprentissage profond.

Cette étude évalue les modèles de substitution pour leur efficacité et précision dans les tâches d'optimisation.

Explore comment des règles de base peuvent aider les agents à traverser des labyrinthes avec un minimum d'infos.

Cette recherche met en avant le rôle du crossover et de la diversité dans les algorithmes évolutifs.

Une nouvelle méthode combine des algorithmes pour s'attaquer aux défis d'optimisation multi-objectifs.

La recherche améliore l'efficacité et la précision de la prise de décision dans les réseaux de neurones à impulsions.

Un nouveau cadre améliore les performances des modèles en utilisant des délais synaptiques dans des systèmes neuromorphiques.

Une nouvelle approche améliore l'efficacité pour résoudre des problèmes complexes qui se chevauchent.

Cette étude met en avant le rôle de la diversité dans les algorithmes évolutifs pour les problèmes d'appariement.

Explore les avantages et les défis de l'optimisation multi-objectifs avec NSGA-III.

Cet article examine comment la diversité influence l'efficacité des algorithmes génétiques, surtout dans le problème des LeadingOnes.

Une nouvelle méthode vise à réduire le biais dans l'apprentissage automatique pour les flux de données évolutifs.

Examen de l'efficacité des algos auto-ajustables pour les problèmes d'optimisation.

Explore la connexion entre la thermodynamique et l'apprentissage automatique pour simplifier des systèmes complexes.

Une nouvelle approche utilisant la programmation génétique pour améliorer les fonctions de perte pour la classification d'images.

Une méthode pour créer des contrôleurs adaptables pour différents designs de robots.

Cet article explore l'optimisation multi-objectifs et l'approche MOEA/D.

Un nouveau modèle qui explique comment la mémoire peut être organisée et récupérée.

NeuraChip améliore l'efficacité dans le traitement des données graphiques pour diverses applications.

Une nouvelle méthode améliore l'efficacité dans la gestion des défis d'optimisation complexes.

Le QD contextuel s'appuie sur les succès passés pour créer des solutions diverses.

FROND utilise le calcul fractionnaire pour améliorer les réseaux de neurones graphiques pour des données complexes.

Apprends comment une nouvelle méthode détecte efficacement les changements dans les flux de données.

Des recherches montrent de nouvelles méthodes pour améliorer la performance des réseaux de neurones à pics.

Combiner des modèles de langage larges avec des données pour découvrir efficacement des équations scientifiques.

DelGrad améliore l'apprentissage dans les réseaux de neurones à spikes en se concentrant sur le timing des spikes.

Une nouvelle méthode améliore la précision des prévisions de prix en affinant la sélection des caractéristiques.

De nouvelles méthodes améliorent l'analyse des scènes visuelles en utilisant des techniques de codage efficaces.

Une nouvelle approche pour améliorer les modèles d'apprentissage profond contre les attaques adversariales.

Un nouveau système prédit les actions des piétons et des conducteurs, améliorant la sécurité routière.

Explorer comment l'informatique neuromorphique transforme le traitement des données visuelles.

De nouvelles méthodes exploitent des architectures symboliques vectorielles pour une programmation efficace des réseaux de neurones.

L'étude met en avant l'importance des paramètres temporels dans la performance des réseaux de neurones.

Un aperçu de l'optimisation multi-objectifs avec des algorithmes évolutionnaires.

Un nouveau cadre qui améliore les prédictions en utilisant des principes cognitifs et un poids de précision.

Explorer des neurones spécialisés conçus pour des tâches spécifiques dans des réseaux artificiels.

Un aperçu des méthodes d'entraînement pour les réseaux de neurones à impulsions et leurs implications.

Les modèles modernes de Hopfield améliorent les capacités de mémoire et de récupération des machines.

Explore comment l'analyse de dérive améliore l'efficacité des algorithmes d'IA.

Un nouveau cadre améliore l'optimisation en apprentissage automatique en utilisant des infos sur le comportement.