Derniers articles pour Réseaux de neurones

Ce papier examine les facteurs qui influencent la capacité des réseaux de neurones à généraliser à partir des données.

Explorer de nouvelles méthodes pour améliorer l'estimation de l'incertitude dans les réseaux de neurones bayésiens.

ISQuant propose une nouvelle approche de quantification pour un déploiement de modèle efficace.

Découvrez comment la quantification dynamique adaptative améliore les modèles VQ-VAE pour une meilleure représentation des données.

Cette étude examine comment les réseaux de neurones interprètent la parole en utilisant des spectrogrammes.

Cette étude explore comment les transformers apprennent à partir de processus de Markov grâce à l'initialisation et au flux de gradient.

Cette étude améliore l'apprentissage par transfert en optimisant les taux d'apprentissage pour chaque couche.

Cette étude explore le rôle des couches feed-forward dans les modèles de langage de code.

Combiner son et images pour des systèmes de reconnaissance plus intelligents.

Explorer comment les réseaux de neurones utilisent efficacement leurs poids appris.

Cet article présente une nouvelle approche utilisant l'entraînement au moment du test pour améliorer les performances des RNN.

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.