PulseAugur
中
实时 11:01:02
English(EN) Kernel Neural Operators (KNOs) for Scalable, Memory-efficient, Geometrically-flexible Operator Learning

核神经网络算子提供可扩展、内存高效的函数学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的算子学习架构——核神经网络算子 (KNOs)，该架构使用深度核积分算子的组合。这种方法在选择核和数值积分方案方面提供了更大的灵活性，能够使用特定领域的求积规则在不规则几何形状上进行学习。KNOs 在训练和测试精度方面与现有的神经网络算子相当或更优，同时通常需要更少的训练参数，使其具有内存效率和适应性。 AI

影响 引入了一种新的、更高效的函数空间逼近架构，有可能提高科学机器学习任务的性能并降低资源需求。

排序理由 这是一篇介绍新模型架构的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 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.LG TIER_1 English(EN) · Matthew Lowery, John Turnage, Zachary Morrow, John D. Jakeman, Akil Narayan, Shandian Zhe, Varun Shankar ·

    Kernel Neural Operators (KNOs) for Scalable, Memory-efficient, Geometrically-flexible Operator Learning

    arXiv:2407.00809v4 Announce Type: replace Abstract: This paper introduces the Kernel Neural Operator (KNO), a provably convergent operator-learning architecture that utilizes compositions of deep kernel-based integral operators for function-space approximation of operators (maps …

相关话题