Articoli più recenti per Reti Neurali

Questo documento esamina i fattori che influenzano la capacità delle reti neurali di generalizzare dai dati.

Esplorare nuovi metodi per migliorare la stima dell'incertezza nelle reti neurali bayesiane.

ISQuant offre un nuovo approccio alla quantizzazione per un'implementazione efficiente dei modelli.

Scopri come la quantizzazione dinamica adattiva migliora i modelli VQ-VAE per una migliore rappresentazione dei dati.

Questo studio esamina come le reti neurali interpretano il parlato usando gli spettrogrammi.

Questo studio esplora come i trasformatori apprendono dai processi di Markov attraverso l'inizializzazione e il flusso del gradiente.

Questo studio migliora il transfer learning ottimizzando i tassi di apprendimento per ogni strato.

Questo studio esplora il ruolo dei layer feed-forward nei modelli di linguaggio codificato.

Unire suoni e immagini per sistemi di riconoscimento più intelligenti.

Esplorare come le reti neurali usano efficacemente i pesi che hanno imparato.

Questo articolo descrive un nuovo approccio che utilizza il Test-Time Training per migliorare le prestazioni delle RNN.

Un metodo per migliorare l'efficienza dei modelli nel machine learning tramite strategie di potatura efficaci.

LayerShuffle migliora la robustezza delle reti neurali permettendo un'esecuzione flessibile dei layer.

Esplorando come le reti di Hopfield imitano la memorizzazione e il recupero dei ricordi nel cervello.

Introducendo un nuovo metodo per le reti neurali bayesiane che migliora la modellazione dell'incertezza.

Esplorando fKAN e il loro impatto sulle prestazioni del machine learning.

Studio sull'influenza della dimensione del campo ricettivo nei modelli U-Net per la segmentazione delle immagini.

ElasticAST consente di elaborare audio a lunghezza variabile in modo efficiente senza perdere dettagli importanti.

Un nuovo metodo semplifica le forme 3D complesse con superfici di estrusione efficaci.

Questo articolo esplora come le reti neurali elaborano i dati attraverso le loro rappresentazioni.

Un nuovo approccio migliora i tempi e l'efficienza dell'addestramento delle CNN.

Presentiamo un metodo che migliora l'apprendimento da pochi dati senza dimenticare le conoscenze passate.

Uno sguardo su come migliorare l'uso delle FPGA nelle applicazioni DNN con nuove tecniche.

Introducendo le matrici Group-and-Shuffle per un fine-tuning efficiente dei modelli neurali.

Uno studio su come migliorare il processo decisionale negli scacchi con poche informazioni usando le reti neurali.

Un nuovo metodo che utilizza vettori circolari migliora l'efficienza nei compiti multi-etichetta.

LeRF combina deep learning e interpolazione per un resizing delle immagini migliore.

Questo articolo esamina come i Transformer ragionano e il ruolo dei foglietti.

Un nuovo metodo affronta le principali sfide nel reinforcement learning grazie a tecniche di ottimizzazione migliorate.

Esaminando l'impatto delle funzioni di attivazione periodiche sull'efficienza dell'apprendimento e sulla generalizzazione.

CCL assicura che le reti neurali mantengano precisione mentre apprendono nuovi compiti.

Il machine learning migliora le tecniche di controllo quantistico per applicazioni tecnologiche più avanzate.

Usare reti neurali per identificare onde magnetiche chirali nella fisica delle particelle.

MambaVision unisce Mamba e Transformers per un riconoscimento delle immagini migliore.

Uno studio rivela come la scarsità nei modelli di IA cambi tra i vari strati durante l'addestramento.

DisMAE migliora la generalizzazione del modello tra i vari domini usando dati non etichettati.

Un nuovo modo per migliorare le osservazioni dei raggi gamma usando le reti neurali.

Un modello ibrido migliora il ripristino delle immagini usando reti neurali a impulsi e convoluzionali.

Questo articolo parla di nuovi metodi che migliorano le prestazioni del deep learning usando derivate non locali.

Questo articolo esamina l'efficacia di Adagrad e i suoi vantaggi rispetto ai metodi standard nel training con grandi batch.