artificial neural network
PulseAugur coverage of artificial neural network — every cluster mentioning artificial neural network across labs, papers, and developer communities, ranked by signal.
- instance of deep learning 90%
- instance of alphaXiv 90%
- instance of DagsHub 90%
- instance of ScienceCast 90%
- instance of multilayer perceptron 90%
- used by deep learning 70%
- instance of spiking neural network 70%
- used by Gotit.pub 70%
- used by alphaXiv 70%
- uses spiking neural network 70%
- used by spiking neural network 60%
- used by DagsHub 60%
23 天有情绪数据
-
新研究探讨人工智能导航中的社会空间依赖性
研究人员通过考察群体行为中的社会空间依赖性，开发了一种理解视觉导航的新方法。他们的研究训练了个体神经网络代理在各种社会背景下进行导航，展示了社会依赖性和任务表现如何影响导航策略。研究结果表明，高质量的社会信息可以促使从个体导航向跟随行为和避碰的转变，挑战了仅关注个体行为的观点，并提倡采用自下而上的方法来理解生物行为。
-
新的 MPPI-PID 控制方法优化 PID 增益以实现更平滑的路径跟踪
研究人员开发了一种名为模型预测路径积分 PID (MPPI-PID) 控制的新型控制方法，该方法在线优化 PID 增益，而不是直接采样控制输入序列。该方法旨在通过优化低维增益空间而不是高维输入序列来提高采样效率并产生更平滑的控制输入。该方法在一台使用混合物理和神经网络模型执行路径跟踪的迷你叉车上进行了评估，与传统的 PID 和常规 MPPI 相比，证明了其跟踪性能的提高和输入增量的减小。
-
新算法将神经网络热图转换为具有可证明保证的TSP路径
研究人员开发了新的算法，可以将神经网络生成的热图转换为旅行商问题（TSP）的路径。这些算法提供了理论保证，将热图预测的质量与所得路径的近似比联系起来。该方法旨在通过提供以前缺乏的明确保证来改进现有方法，并通过实验比较进行了验证。
-
WeightCLIP 方法将神经网络权重与数据集对齐
研究人员推出了一种新颖的方法 WeightCLIP，用于学习神经网络权重及其对应数据集的对齐潜在空间。该方法使用神经网络权重的自编码器和单独的数据集编码器，通过对比目标对其表示进行对齐。由此产生的与数据集对齐的权重空间表示可用于各种下游任务，包括将数据集信息映射到生成强大模型，并通过潜在细化过程改进标准微调。研究结果表明，明确纳入数据集信息可以增强权重空间表示在检索、生成和细化等任务中的能力。
-
LLM指导神经网路生成，通过源模型指导提高准确性 · 已追踪2个来源
研究人员开发了一种新协议，利用大型语言模型（LLM）通过一个更强的同家族源模型指导生成过程，来改进现有的神经网路。该方法旨在解耦迁移学习与适应，确保生成的修改既有效又准确。该协议在CIFAR-10和SVHN等数据集上展示了显著的准确性提升，优于非源指导的候选模型，并表明LLM会适应而非简单复制源模型的架构。
-
开源工具 Tensey 验证神经网络张量形状
一位开发者创建了一个名为 Tensey 的开源可视化编辑器，用于验证张量形状并估算神经网络的计算需求。该工具旨在在消耗大量 GPU 资源之前捕获设计错误，例如不兼容的残差连接或不匹配的线性层。Tensey 支持 63 种操作，具有正确的形状推断功能，并可以导出可运行的 PyTorch 代码。
-
第二大脑概念演变为“共享大脑”，并整合了人工智能
“第二大脑”的概念正在演变为“共享大脑”，个人知识网络可以相互连接。这一转变引发了对潜在漏洞以及信息消费和共享相关的新型成瘾风险的担忧。文章探讨了如何利用人工智能神经网络来构建和管理这些互联的知识系统。
-
新型深度学习模型M-QCDNet增强认知诊断可解释性
研究人员开发了一种名为M-QCDNet的新型深度学习架构，该架构嵌入了Q矩阵以在认知诊断模型中保持可解释性。这种结构感知方法确保潜在掌握度谱系与认知理论一致，并利用带有L2正则化的新型损失函数来平衡预测性能和结构一致性。开发的M-QCDNet在学习困难的早期检测方面具有实际应用价值，并支持基于掌握度的干预措施，将心理测量透明度与神经灵活性相结合，为认知诊断中的可操作AI提供支持。
-
AI模型预测心脏病发作死亡并识别关键生物标志物
研究人员开发了一种结合了深度人工神经网络和集成机器学习方法的模型，用于预测急性心肌梗死（MI）的致命结局并识别关键生物标志物。该模型解决了当前诊断方法耗时且不一致的局限性。通过采用SVMSMOTE和ADASYN等数据预处理技术处理不平衡数据，并结合特征选择方法，该系统集成了逻辑回归、随机森林、Light-GBM和Bagging SVM，并通过神经网络进一步提高准确性。该方法旨在为临床医生提供一种更快、更准确、更经济的诊断工具。
-
基于机器学习的控制器提升四旋翼飞行器轨迹跟踪性能
研究人员开发了一种新颖的、基于机器学习的四旋翼飞行器反馈线性化控制框架，旨在处理未建模动力学和非线性。该系统利用高斯径向基函数神经网络，实时更新其权重以补偿空气阻力和执行器动力学等不确定性。理论上保证了控制律能够确保闭环稳定性和轨迹跟踪的渐近收敛性。在Crazyflie 2.1四旋翼飞行器上的实验表明，与基线控制器相比，该方法在跟踪精度方面有了显著提高，位置范数和偏航姿态的均方根误差（RMSE）分别降低了7.13%以上和49.27%。
-
统计力学用于解释机器学习和记忆
本论文使用统计力学的工具，探讨机器学习和人工神经网络的理论基础。旨在增进对这些系统如何学习和记忆数据的理解，重点关注隐式低维学习结构和对抗性攻击的理论基础。研究调查了密集联想记忆和受限玻尔兹曼机，以分析不同的学习和记忆模式。
-
新的数据驱动模型预测湍流压损
研究人员开发了两种新的数据驱动模型，一种使用克里金法，另一种使用神经网络（NN），以预测多孔板湍流中的压损。这些模型在实验数据上进行了训练，并且一致优于现有的经验公式。NN和克里金模型与实验测量结果吻合良好，并且在RANS方程中作为源项实现时，适用于实际的计算流体动力学应用。
-
新框架为通用边缘任务采集闲置的AI芯片
研究人员开发了一个新框架，通过利用未充分利用的AI芯片执行通用任务来优化边缘的人工智能计算。该方法使用神经架构搜索将传统计算任务转换为神经网络模型。然后，在AI引擎空闲时运行这些近似模型，由运行时调度器管理，确保不影响主要的AI工作负载。实验证明，在AIoT处理器上，边缘处理任务的性能显著提升。
-
新的蒸馏方法提升脉冲神经网络性能
研究人员开发了一种名为选择性对齐知识蒸馏（SeAl-KD）的新方法，以提高脉冲神经网络（SNNs）的性能。与先前在所有时间步上应用统一对齐的技朧不同，SeAl-KD 通过纠正错误时间步和基于置信度和相似度调整时间对齐来选择性地对齐知识。在图像和事件驱动数据集上的实验表明，SeAl-KD 的性能持续优于现有的蒸馏方法。
-
新型物理残差网络改进质子交换膜水电解中的氢气渗透预测
研究人员开发了一种新颖的硬约束物理残差网络（PR-Net），用于预测质子交换膜水电解（PEMWE）中的氢气渗透。该PR-Net将基本物理定律整合为确定性骨干，仅学习未建模非线性效应的残差校正。它在预测准确性和外推能力方面，尤其是在高压下，显著优于传统数据驱动神经网络和软约束物理信息神经网络。
-
新的FedLAS算法改进了神经网络校准
研究人员开发了FedLAS，这是一种旨在改进神经网络分类器校准的新型算法。这种即插即用方法解决了模型预测置信度与其实际准确度不符的问题，导致过度自信的错误预测或信心不足的正确预测。FedLAS利用基于特征范数的置信度指示器（NCI）和双向校准门控（BCG）模块，在训练过程中检测和纠正单个样本的过度自信和信心不足问题。在高分辨率视觉基准上的实验表明，FedLAS能够持续提高校准性能，降低预期校准误差（ECE）等指标，同时保持Top-1准确率。
-
新型神经网络预测交替复发事件
研究人员开发了一个新的神经网络框架，用于预测交替复发事件，即触发后续不应期的事件。该框架旨在处理此类事件的统计复杂性，包括相关观测和删失结果。该模型使用模拟数据进行了测试，在预测无事件时间方面表现强劲，并在预测医学院一年级住院医师的低落情绪期方面取得了显著成功。
-
遗传算法在高维人工智能搜索中模拟了裁剪梯度下降
研究人员已经证明，遗传算法可以在高维搜索空间中有效地充当一种裁剪梯度下降。这个过程涉及变异-选择机制，它们在不直接计算的情况下隐式地遵循损失函数的梯度。由于噪声，遗传算法比传统的梯度下降慢，但其性能取决于损失函数Hessian的有效秩，这可能远小于参数的总数，尤其是在神经网络损失景观中。这一特性可能解释了遗传算法在复杂、高维问题中的可扩展性。
-
新的克里金法和神经网络模型预测压损
研究人员开发了两种新的数据驱动模型，一种使用克里金法，另一种使用人工神经网络（NN），以预测多孔板湍流中的压损。这些模型在现有实验数据上进行了训练，与传统的经验公式相比，表现出了优越的性能。研究还表明，这些数据驱动的方法可以有效地集成到计算流体动力学模拟中，从而为实际应用产生准确的预测。
-
新框架为边缘任务采集闲置的AI芯片计算能力
研究人员开发了一个框架，用于利用边缘地区未充分使用的AI计算资源。该方法使用神经架构搜索方法将传统计算任务转换为神经网络模型。然后，在AI芯片空闲期间运行这些近似模型，并通过运行时调度程序进行管理，以确保主要AI工作负载不受影响。实验表明，该策略显著提高了各种边缘处理任务的性能。