Derniers articles pour Réseaux de neurones

Des chercheurs améliorent la détection du signal de 21 cm en utilisant un modèle de deep learning.

Un aperçu de l'efficacité des méthodes KFAC à deux niveaux pour entraîner des réseaux profonds.

LIRF améliore la qualité d'image pour des scènes invisibles en réalité virtuelle et augmentée.

ARM-AE utilise des auto-encodeurs pour trouver rapidement des règles d'association de haute qualité.

Une nouvelle architecture combine des réseaux de neurones et des fonctionnalités de sécurité en utilisant la technologie RRAM.

Présentation de l'optimisation Feed-Forward avec retour d'infos retardé pour un entraînement efficace des réseaux de neurones.

Explorer comment les grands modèles de langage apprennent et s'adaptent grâce à l'attention et la régression.

Un nouveau modèle améliore la segmentation d'objets 3D en utilisant des expériences passées dans l'apprentissage avec peu d'exemples.

Explore comment les réseaux neuronaux génèrent de l'activité et influencent l'apprentissage et la mémoire.

JaxPruner simplifie la recherche sur les réseaux de neurones creux, en boostant la performance et la flexibilité.

Une méthode pour analyser des images peu importe leur orientation.

Investiguer comment le bruit de Cauchy affecte le comportement des neurones dans des réseaux complexes.

X-RLflow utilise l'apprentissage par renforcement pour améliorer l'optimisation des graphes de calcul en deep learning.

Un aperçu de comment GPT-2 gère les tâches de prédiction sur plusieurs années.

Une nouvelle méthode pour mieux évaluer l'erreur de calibration dans les modèles d'apprentissage automatique.

Examiner les champs neuronaux comme décodeurs pour améliorer la précision de la segmentation sémantique.

Un aperçu de comment les neurones représentent des caractéristiques dans les grands modèles de langage.

Cet article parle des fonctions d'influence basées sur les classes pour identifier les points de données erronés.

Explorer l'efficacité des réseaux de neurones épars et de la méthode SRIGL.

NeRD améliore la qualité des images en transformant les motifs Bayer bruts en images RGB.

De nouvelles méthodes améliorent l'efficacité et la performance des réseaux de neurones graphiques.

Un nouveau cadre améliore la précision d'entraînement et l'efficacité énergétique des SNNs.

Un nouvel outil aide à visualiser les mécanismes d'attention des modèles de transformateurs.

Explorer comment la largeur impacte la performance et l'entraînement des réseaux de neurones.

Nouvelles techniques pour déployer des modèles de machine learning sur des appareils à faible consommation d'énergie.

La recherche étudie comment la langue évolue chez les agents à travers les interactions sociales.

De nouvelles méthodes améliorent l'apprentissage dans les réseaux de neurones avec des données bruyantes.

Un moyen d'améliorer la sécurité des réseaux neuronaux dans des applications critiques.

De nouvelles méthodes améliorent la clarté des images et évaluent l'incertitude dans l'imagerie médicale.

Ce travail se concentre sur l'amélioration de la modélisation 3D grâce à des transformations de coordonnées apprenables.

Cette recherche présente un nouveau décodeur neural pour améliorer la correction d'erreurs quantiques.

Les couches bilinéaires simplifient l'analyse et améliorent l'interprétabilité dans les réseaux de neurones.

La fonction d'activation TaLU améliore les tâches d'apprentissage profond et gère les valeurs d'entrée négatives.

Une nouvelle méthode améliore la qualité des images pour des scènes réfléchissantes en infographie.

Des recherches montrent comment le biais d'attention gaussienne améliore la compréhension spatiale dans les transformateurs de vision.

Une nouvelle méthode d'entraînement améliore la précision et la robustesse des réseaux de neurones face à des entrées modifiées.

Une nouvelle méthode améliore les GNN, s'attaquant à l'oversmoothing et boostant les performances.

La recherche se concentre sur des modèles efficaces pour le repérage de mots-clés en utilisant des réseaux slimables.

Cette étude examine à quel point les Capsule Networks captent les caractéristiques importantes des données.

Des recherches montrent que la décomposition tensorielle améliore la performance des réseaux de neurones tout en réduisant leur taille.