Articoli più recenti per Reti Neurali

Combinare fisica e geometria per migliorare le previsioni di scattering acustico.

Scopri come le Leaky ResNet migliorano le tecniche di deep learning.

Uno sguardo alle sfide e ai metodi di inettività nei livelli ReLU all'interno delle reti neurali.

Introducing DARE, un metodo per migliorare l'apprendimento automatico senza dimenticare le vecchie conoscenze.

Un nuovo approccio migliora i modelli Transformer per una migliore elaborazione dei testi lunghi.

Uno sguardo al ruolo della complessità nelle prestazioni del modello.

Una nuova funzione di perdita migliora l'apprendimento delle caratteristiche nei compiti di classificazione.

Esplorare metodi di classificazione per miscele gaussiane sovrapposte nel machine learning.

Un modello innovativo gestisce grafi dinamici, migliorando le prestazioni e riducendo il tempo di addestramento.

Esaminando come i layer di normalizzazione influenzano le performance dei transformer e la gestione dei compiti.

Questo studio usa autoencoder sparsi per interpretare i risultati degli strati di attenzione nei transformer.

Nuovi metodi migliorano la modellazione dei problemi elettromagnetici con interfacce usando reti neurali.

Un nuovo approccio con reti neurali migliora la precisione nelle leggi di conservazione iperboliche.

Come i Mixtures of Experts migliorano le prestazioni nei compiti di Deep Reinforcement Learning.

Usare reti neurali sugli FPGA per migliorare l'affidabilità della comunicazione ad alta velocità.

Esplorare il ruolo dei neuroni nel migliorare l'interpretabilità dei modelli IR.

Introduzione di un nuovo approccio per migliorare la rappresentazione e l'efficienza dei dati video.

Esaminando l'impatto delle maschere di attenzione e della normalizzazione dei livelli sui modelli transformer.

PointTree offre una soluzione innovativa per ricostruire con precisione le connessioni neuronali nel cervello.

Esplorando gli ultimi sviluppi nei modelli per elaborare lunghe sequenze di dati.

Questo studio esamina come la somiglianza dei compiti influisce sull'apprendimento continuo nelle reti neurali.

Questo studio esamina come la dimensione del modello influisca sulle prestazioni nell'Apprendimento Continuo Online.

Questa ricerca esplora come gestire le attività neuronali con metodi di controllo avanzati.

Esplorare come i modelli di deep learning imitino le abilità di integrazione dei contorni umani.

Un metodo per comprimere immagini garantendo la loro sicurezza durante la trasmissione.

Uno sguardo ai metodi per chiarire le decisioni dell'IA tramite il livellamento dei gradienti.

Un nuovo approccio alla ricerca di architetture neurali offre flessibilità e prestazioni migliorate.

Un nuovo metodo migliora l'analisi delle immagini mediche mantenendo i dettagli cruciali.

ESGNN migliora la generazione di grafi di scena da nuvole di punti 3D mantenendo la simmetria.

Esplorando come i modelli PANN simulano il comportamento iperelastico di travi sotto stress.

Un nuovo approccio migliora l'efficienza dell'apprendimento negli ambienti di apprendimento per rinforzo.

Nuovi metodi rivelano intuizioni sulle capacità del deep learning usando la geometria tropicale.

Il peso del clipping migliora le prestazioni del modello nel deep learning e nel reinforcement learning.

Un nuovo metodo migliora l'efficienza e l'efficacia di LoRA nel machine learning.

Un nuovo standard migliora la velocità e l'efficienza energetica delle reti neurali nel computing.

Un nuovo modello che combina LSTM con il calcolo quantistico per una gestione dei dati migliorata.

I KAN migliorano l'analisi e la classificazione delle immagini usando meno risorse.

Swish-T migliora le performance dei modelli nel deep learning grazie a tecniche di attivazione innovative.

Indagare su come i modelli sovra-parameterizzati superino quelli sotto-parameterizzati nell'apprendimento delle caratteristiche.

Un’analisi degli RNN-TPP e del loro impatto sulla precisione delle previsioni di eventi.