Articoli più recenti per Reti Neurali

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.

L'apprendimento reciproco migliora le prestazioni e la stima dell'incertezza nelle Reti Neurali Bayesiane.

Indagare su come le reti neurali imparano caratteristiche durante l'allenamento.

Capire come ruotano le galassie svela informazioni fondamentali sulla loro struttura e massa.

Un nuovo modello migliora la simulazione degli strumenti a corde per un suono realistico.

Un nuovo metodo migliora l'apprendimento auto-supervisionato aggiungendo un componente di memoria.

Un nuovo design per i layer convoluzionali riduce i parametri e migliora l'interpretabilità nei modelli di intelligenza artificiale.

Questo articolo esplora soluzioni per l'oversmoothing nelle reti neurali grafiche, concentrandosi sulle GCN.

Esplora come la dimensione del batch influisce sull'allenamento dei modelli di machine learning.

SineKAN offre maggiore velocità e prestazioni usando funzioni seno nelle reti neurali.

Nuove ricerche rivelano schemi complessi nelle dinamiche di addestramento del machine learning.

Uno studio sul comportamento energetico nelle reti di deep learning che migliora l'analisi dei segnali.

Esaminando come le condizioni al contorno influenzano le prestazioni dei computer a reservoir quantistici.

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.