PulseAugur
中
实时 21:48:30
English(EN) Multi-Column RBF Neural Network Using Adaptive and Non-Adaptive Particle Swarm Optimization

新的多列RBFN方法提高了AI训练速度和准确性

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了两种新方法，MC-PSO和MC-APSO，以提高径向基函数神经网络（RBFN）在处理大型数据集时的性能。这些方法采用了多列RBFN架构，其中使用粒子群优化（PSO）或其自适应变体（APSO）对在特定数据子集上训练的各个RBFN进行训练。与ErrCor和标准PSO等现有方法相比，这种专业化和并行化可以提高准确性、召回率，并加快训练和测试时间。 AI

影响 引入了RBFN的专用并行训练，有可能提高大规模AI任务的效率。

排序理由 这是一篇详细介绍改进神经网络性能的新方法的学术论文。

在 arXiv cs.AI 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的多列RBFN方法提高了AI训练速度和准确性

报道来源 [2]

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

    使用自适应和非自适应粒子群优化的多列RBF神经网络

    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…

  2. arXiv cs.NE (Neural & Evolutionary) TIER_1 English(EN) · Yuichi Motai ·

    使用自适应和非自适应粒子群优化的多列RBF神经网络

    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 gradient-based training method, selects optimal hidden…

相关话题