PulseAugur
中
实时 11:02:35
English(EN) Multi-Column RBF Neural Network Using Adaptive and Non-Adaptive Particle Swarm Optimization

新的RBFN方法提升AI的准确性和速度

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了新颖的多列径向基函数神经网络（RBFN）方法，MC-PSO和MC-APSO，以解决大型数据集的可扩展性挑战。这些方法在并行RBFN结构中利用粒子群优化（PSO）及其自适应变体（APSO）。通过在数据的空间子集上训练各个RBFN，所提出的技术旨在与现有的基于梯度和基于群的方法相比，提高准确性和速度。 AI

影响 这些新的RBFN训练方法可能为大规模数据集带来更高效、更准确的AI模型。

排序理由 该集群包含一篇详细介绍神经网络优化新方法的学术论文。[lever_c_demoted from research: 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 →

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Ammar Hoori, Yuichi Motai ·

    Multi-Column RBF Neural Network Using Adaptive and Non-Adaptive Particle Swarm Optimization

    arXiv:2606.05150v1 Announce Type: cross Abstract: The radial basis function neural network (RBFN) trained with a gradient descending algorithm provides an effective fully connected structure in both shallow and deep networks. The error correction (ErrCor), a state-of-the-art grad…

相关话题