PulseAugur
中
实时 21:16:24
English(EN) ITNet: A Learnable Integral Transform That Subsumes Convolution, Attention, and Recurrence

ITNet架构统一了卷积、注意力和循环

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的神经网络架构ITNet，它将卷积、注意力和循环统一为一种可学习的积分变换。该架构使用一个可学习的核（实现为MLP）来模拟成对交互，使其能够根据数据调整其行为。通过调整参数，ITNet可以恢复各种现有架构的功能，包括LSTM、GRU、S4、Mamba和自注意力。该模型在ImageNet-1K、GLUE、ModelNet40、VQA v2和NLVR2等多个基准测试中都表现出具有竞争力或更优的性能。 AI

影响 统一了不同的神经网络架构，可能简化模型设计并提高各种任务的性能。

排序理由 该项目是一篇介绍新神经网络架构的学术论文。 [lever_c_research降级：ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

ITNet架构统一了卷积、注意力和循环

本文如何被排名

Signal score
0 / 100
Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket
Tool
该项目是一篇介绍新神经网络架构的学术论文。 [lever_c_research降级：ic=1 ai=1.0]
Source corroboration
Single-source cluster
Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics
paper, model release
Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance
High
Clearly on-topic for AI-industry coverage.
Story freshness
104 days old
Aged out of breaking-news scoring windows; ranking reflects the durable signal from the full source set.

完整方法见我们的编辑标准。

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ashim Dhor, Rasel Mondal, Pin Yu Chen ·

    ITNet：一种可学习的积分变换，可包含卷积、注意力机制和循环神经网络

    arXiv:2606.19538v1 Announce Type: new Abstract: Convolutional networks, recurrent networks, and transformers each encode different inductive biases -- locality, sequential memory, and content-dependent pairwise interaction -- and have remained mathematically distinct since their …

相关实体

相关话题