Derniers articles pour Réseaux de neurones

Cette recherche explore comment gérer les activités neuronales avec des méthodes de contrôle avancées.

Explorer comment les modèles d'apprentissage profond imitent les compétences d'intégration des contours chez l'humain.

Une méthode pour compresser des images tout en garantissant leur sécurité pendant la transmission.

Un aperçu des méthodes pour clarifier les décisions de l'IA grâce au lissage des gradients.

Une nouvelle approche pour la recherche d'architecture neuronale offre plus de flexibilité et de meilleures performances.

Une nouvelle méthode améliore l'analyse des images médicales tout en préservant des détails essentiels.

ESGNN améliore la génération de graphes de scène à partir de nuages de points 3D en préservant la symétrie.

Explorer comment les modèles PANN simulent le comportement hyperélastique des poutres sous contrainte.

Une nouvelle approche améliore l'efficacité d'apprentissage dans les environnements d'apprentissage par renforcement.

De nouvelles méthodes révèlent des infos sur les capacités de l'apprentissage profond en utilisant la géométrie tropicale.

Le clipping de poids améliore les performances des modèles en deep learning et en reinforcement learning.

Une nouvelle méthode améliore l'efficacité et l'efficacité de LoRA en apprentissage automatique.

Une nouvelle norme améliore la vitesse et l'efficacité énergétique des réseaux de neurones en informatique.

Un nouveau modèle qui combine des LSTMs avec l'informatique quantique pour un meilleur traitement des données.

Les KAN améliorent l'analyse et la classification des images tout en utilisant moins de ressources.

Swish-T améliore les performances des modèles en deep learning grâce à des techniques d'activation innovantes.

Enquête sur comment les modèles surparamétrés surpassent ceux sous-paramétrés dans l'apprentissage des caractéristiques.

Une analyse des RNN-TPPs et leur impact sur la précision des prévisions d'événements.

L'apprentissage mutuel booste la performance et l'estimation d'incertitude dans les Réseaux Neuraux Bayésiens.

Enquêter sur comment les réseaux de neurones apprennent des caractéristiques pendant l'entraînement.

Comprendre comment les galaxies tournent donne des infos clés sur leur structure et leur masse.

Un nouveau modèle améliore la simulation des instruments à cordes pour un son réaliste.

Une nouvelle méthode améliore l'apprentissage auto-supervisé en ajoutant un composant mémoire.

Un nouveau design de couche convolutionnelle réduit les paramètres et améliore l'interprétabilité dans les modèles d'IA.

Cet article explore des solutions à la sur-lissage dans les réseaux de neurones graphiques, en se concentrant sur les GCN.

Explore comment la taille du lot affecte l'entraînement des modèles de machine learning.

SineKAN propose une meilleure vitesse et performance en utilisant des fonctions sinus dans les réseaux de neurones.

De nouvelles recherches révèlent des schémas complexes dans la dynamique de formation du machine learning.

Une étude sur le comportement énergétique dans les réseaux d'apprentissage profond améliorant l'analyse des signaux.

Examiner comment les conditions aux limites influencent la performance des ordinateurs réservoirs quantiques.

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.