Derniers articles pour Réseaux de neurones

Une méthode pour améliorer l'efficacité des modèles en machine learning grâce à des stratégies de taille efficaces.

LayerShuffle renforce la robustesse des réseaux de neurones en permettant une exécution flexible des couches.

Explorer comment les réseaux de Hopfield imitent le stockage et la récupération de la mémoire dans le cerveau.

Présentation d'une nouvelle méthode pour les réseaux de neurones bayésiens qui améliore la modélisation de l'incertitude.

Explorer les fKANs et leur impact sur la performance de l'apprentissage machine.

Étude sur l'influence de la taille du champ réceptif dans les modèles U-Net pour la segmentation d'images.

ElasticAST permet de traiter des audio de longueur variable de manière efficace sans perdre des détails importants.

Une nouvelle méthode simplifie des formes 3D complexes avec des surfaces de balayage efficaces.

Cet article examine comment les réseaux de neurones traitent des données via leurs représentations.

Une nouvelle méthode améliore le timing et l'efficacité de l'entraînement des CNN.

Présentation d'une méthode qui améliore l'apprentissage avec peu de données sans oublier les connaissances passées.

Un aperçu sur l'amélioration de l'utilisation des FPGA dans les applications DNN avec de nouvelles techniques.

Présentation des matrices Group-and-Shuffle pour un ajustement efficace des modèles neuronaux.

Une étude sur l'amélioration de la prise de décision dans le chess avec peu d'infos grâce aux réseaux neuronaux.

Une nouvelle méthode utilisant des vecteurs circulaires améliore l'efficacité dans les tâches multi-label.

LeRF combine l'apprentissage profond et l'interpolation pour un meilleur redimensionnement d'images.

Cet article examine comment les Transformers raisonnent et le rôle des blocs-notes.

Une nouvelle méthode aborde les défis clés de l'apprentissage par renforcement grâce à des techniques d'optimisation améliorées.

Examiner l'impact des fonctions d'activation périodiques sur l'efficacité d'apprentissage et la généralisation.

CCL s'assure que les réseaux de neurones gardent leur précision tout en apprenant de nouvelles tâches.

L'apprentissage automatique améliore les techniques de contrôle quantique pour de meilleures applications technologiques.

Utiliser des réseaux de neurones pour détecter des ondes magnétiques chirales en physique des particules.

MambaVision combine Mamba et Transformers pour une meilleure reconnaissance d'image.

Une étude révèle comment la sparsité dans les modèles d'IA change à travers les couches pendant l'entraînement.

DisMAE améliore la généralisation des modèles entre les domaines en utilisant des données non étiquetées.

Une nouvelle approche pour améliorer les observations des rayons gamma avec des réseaux de neurones.

Un modèle hybride améliore la restauration d'images en utilisant des réseaux de neurones à impulsion et des réseaux de neurones convolutionnels.

Cet article parle de nouvelles méthodes pour améliorer la performance de l'apprentissage profond en utilisant des dérivées non locales.

Cet article examine l'efficacité d'Adagrad et ses avantages par rapport aux méthodes standard dans l'entraînement par lots importants.

Une étude sur l'utilisation des réseaux de neurones pour simuler la dynamique des phases des matériaux.

Une étude sur des techniques d'apprentissage automatique pour modéliser des systèmes atomiques.

Une nouvelle méthode améliore la confidentialité lors de l'entraînement de modèles d'apprentissage profond.

De nouvelles méthodes réduisent l'utilisation de la mémoire tout en maintenant la performance des LLMs.

Découvrez comment la sparsité des blocs de poids améliore les performances et l'efficacité de l'IA.

Cet article examine comment les changements de couches impactent la performance des modèles de transformateurs.

Apprends comment le mini-batch SGD améliore l'entraînement des réseaux de neurones et la sélection de caractéristiques.

De nouveaux réseaux de neurones utilisant des mémristors améliorent l'efficacité et l'adaptabilité.

Examen des méthodes dynamiques pour optimiser l'entraînement des modèles de machine learning.

Les QCNNs offrent de nouvelles façons d'identifier les phases de la matière dans les systèmes quantiques.

Cet article parle des méthodes pour améliorer les réseaux de neurones grâce à l'équivariance et la symétrie.