Derniers articles pour Réseaux de neurones

Une approche novatrice pour intégrer des transformateurs avec des structures de graphes pour de meilleurs résultats.

Un nouveau modèle S6 améliore les performances et l'efficacité des réseaux de neurones à impulsions.

Examiner le rôle des neurones dans les modèles CLIP et leurs interactions.

Une analyse des galères des Transformers avec les tâches de comptage et de copie.

Le réseau EquiLoPO propose de nouvelles solutions pour analyser des données volumétriques malgré les rotations.

La communication sub-THz va révolutionner la transmission de données à grande vitesse.

Les MLP bilinéaires offrent des modèles plus simples et plus interprétables en apprentissage automatique.

ReDistill propose une solution innovante pour réduire la mémoire maximale dans les réseaux de neurones.

Explorer la génération de replay sans données pour s'attaquer aux problèmes de classification d'images et de déséquilibre de données.

Une étude révèle des techniques efficaces pour améliorer les modèles de langage multimodaux.

De nouvelles techniques améliorent la généralisation dans les modèles de données interconnectés à travers différents domaines.

Une bibliothèque unifiée améliore l'équité dans la comparaison des méthodes d'entraînement des réseaux de neurones.

Cet article examine le rôle de l'inhibition dans les réseaux neuronaux et propose de nouvelles techniques de visualisation.

Une nouvelle méthode améliore les attaques ciblées en utilisant des échantillons faciles dans les réseaux de neurones.

Explore le rôle des mécanismes d'attention dans l'apprentissage automatique.

H-GLaD améliore la distillation des jeux de données, rendant l'entraînement des modèles plus efficace et performant.

Une nouvelle méthode simule efficacement des objets élastiques à travers différentes représentations.

Une approche fraîche pour rendre les réseaux neuronaux plus efficaces tout en gardant une haute performance.

Explorer comment les structures modulaires améliorent l'efficacité et l'adaptabilité des réseaux de neurones artificiels.

Un nouveau modèle améliore les simulations de systèmes physiques en utilisant des techniques d'apprentissage automatique.

Un guide des techniques d'optimisation multiobjectif en apprentissage automatique et en apprentissage profond.

Une nouvelle approche renforce la robustesse des Vision Transformers contre les attaques adversariales.

Enquête sur les similitudes entre les DNN et les verres structuraux.

Cet article examine les réseaux linéaires profonds et l'impact de la netteté sur l'entraînement.

Un aperçu de comment les réseaux équivariants distinguent efficacement les entrées.

Un nouvel algorithme améliore les prédictions en modélisant les erreurs de fond de manière plus précise.

Explore la structure et les applications des Graphes IOD dans différents domaines.

Une nouvelle approche améliore l'apprentissage à partir de l'espace de poids des réseaux de neurones.

Une nouvelle approche pour améliorer les réseaux de neurones grâce à des couches basées sur des règles pour une meilleure intégration des données.

Un nouveau cadre améliore le traitement des réseaux de neurones convolutifs sur des appareils avec des ressources limitées.

De nouvelles techniques améliorent la précision de la modélisation des flux multifluides pour différentes industries.

Examiner l'importance de la plus petite valeur propre dans le NTK pour l'entraînement des réseaux de neurones.

Des recherches montrent des complexités dans les réseaux de neurones profonds qui vont au-delà des modèles traditionnels.

Ce papier analyse les modèles multi-index et leur rôle dans l'apprentissage à partir des données.

Un nouvel outil de référence évalue les tokens audio discrets pour diverses tâches de traitement de la parole.

Cette étude montre comment les modèles de langue changent de comportement pendant l'entraînement.

Examiner comment les modèles de transformateur s'améliorent avec la taille et la complexité.

Une étude analyse la généralisation et la performance de la régression ridge avec caractéristiques aléatoires en utilisant des valeurs propres.

Une étude sur l'amélioration de l'entraînement des réseaux de neurones avec des fonctions d'activation non différentiables.

Voici SeTAR, une solution sans entraînement pour détecter les données hors distribution dans les réseaux de neurones.