研究人员开发了一种新的受生物启发的架构，称为神经随机注意力电路 (NSAC)，用于连续时间表示学习。这种新颖的方法使用随机微分方程和互联门重新构建注意力logit计算，从而在注意力权重中实现原则性的随机性。NSAC架构旨在量化偶然不确定性和认知不确定性，在包括函数逼近、回归、预测和自动驾驶应用在内的各种学习任务中，展示了具有竞争力的准确性和良好校准的不确定性估计。 AI
影响 引入了一种用于改进连续时间表示学习中不确定性量化的新颖架构，可能有利于需要可靠概率输出的应用。
排序理由 该集群包含一篇详细介绍新模型架构的学术论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2605.26061v1 Announce Type: cross Abstract: Reliable quantification of uncertainty estimates in continuous-time (CT) representation learning remains nascent, particularly within CT attention architectures. We introduce the Neuronal Stochastic Attention Circuit (NSAC), a nov…
Reliable quantification of uncertainty estimates in continuous-time (CT) representation learning remains nascent, particularly within CT attention architectures. We introduce the Neuronal Stochastic Attention Circuit (NSAC), a novel biologically-inspired CT attention architecture…