convolutional neural network
PulseAugur coverage of convolutional neural network — every cluster mentioning convolutional neural network across labs, papers, and developer communities, ranked by signal.
- instance of Vgg16 90%
- instance of ScienceCast 90%
- instance of ResNet18 90%
- instance of MobileNetV2 90%
- instance of Gotit.pub 90%
- used by Vision Transformers 70%
- used by alphaXiv 70%
- used by CatalyzeX 70%
- used by gradient boosting 70%
- used by microcontroller 70%
- instance of multilayer perceptron 70%
- used by ResNet18 70%
20 天有情绪数据
-
新研究揭示了训练强大的轻量级游戏AI代理的关键技术
研究人员开发了一种稳健的方法，用于训练不完美信息纸牌游戏（如Gin Rummy和Leduc Hold'em）中的轻量级代理。通过使用一个固定的、强大的专家代理作为基准，他们确定了能够显著提高代理性能的关键训练技术。这些技术包括信任区域更新、有针对性的奖励、一系列难度递增的对手、预热启动以及保留最佳模型检查点。研究还发现，某些架构选择和训练方法（如学习状态嵌入、模仿学习以及使用大型语言模型作为对手）并无益处或计算成本过高。
-
神经网络架构对时间数据偏移的鲁棒性各不相同
一篇新发表在arXiv上的研究论文，探讨了不同的神经网络架构如何应对时间分布偏移（即真实世界数据随时间变化导致模型性能下降的现象）。该研究系统地比较了多层感知机、卷积神经网络、循环神经网络和基于Transformer的编码器等多种模型家族，应用于图像分类、文本分类和文本回归任务。研究结果表明，依赖高度特定特征的架构往往下降更快，而使用更广泛、更稳定表示（如预训练编码器）的架构则对这些时间偏移表现出更强的鲁棒性。
-
Few-Medoids 方法简化了知识蒸馏的共核选择
研究人员推出了一种新颖且简单的方法 Few-Medoids，用于少样本知识蒸馏中的共核选择。该技术通过选择最接近每个类别质心的样本来识别代表性数据子集。在各种图像分类任务和模型架构上的实验表明，Few-Medoids 的性能始终优于随机选择和其他共核选择策略。
-
Walma 框架使用卷积神经网络检测 WebAssembly 中的内存损坏
研究人员开发了 Walma，一个旨在检测 WebAssembly (Wasm) 环境中内存损坏的新型框架。Walma 将 Wasm 线性内存的快照转换为图像，然后由卷积神经网络进行分析以识别篡改。这种方法可以检测到传统字节和纹理分析所遗漏的修改，即使是那些不由程序输入触发的修改。该系统已在受 CVE 影响的真实应用程序上证明了其有效性，需要显著的内存覆盖才能逃避检测，并为持续的内存完整性检查提供了实际的证明成本。
-
新的GDBR攻击通过部分加密破坏联邦学习中的隐私
研究人员开发了一种名为GDBR的新攻击，可以从使用部分梯度加密的联邦学习系统中恢复私有标签。该攻击利用了神经网络架构中的一个漏洞，表明仅加密输出层不足以保护敏感数据。GDBR可用于数据重构和成员推理等下游攻击，挑战了部分加密提供足够隐私的假设。
-
图Transformer框架通过保持不变性来增强图像分类
研究人员开发了SuperGT，一个基于图Transformer的框架，旨在改进超像素图像分类。这种新方法旨在捕捉图像数据中的长距离依赖关系并保持平移/旋转不变性，解决了先前图神经网络方法中的局限性。SuperGT在CIFAR-10数据集上进行了评估，与许多现有基线相比，表现更优，并且在不需要特定边界点坐标的情况下取得了与最先进的ShapeGNN相当的结果。
-
机器学习模型在中风风险预测中的比较
一篇新的arXiv论文探讨了使用机器学习模型（特别是神经网络和逻辑回归）来预测中风风险。该研究旨在通过比较密集神经网络、卷积神经网络和逻辑回归模型的性能，找出最有效的预测因子。其目标是通过向个人提供准确的中风可能性评估来激励生活方式的改变，从而减少假阴性。
-
新AI框架通过可解释性增强胸部X光片分类
研究人员开发了PulmoSight-XAI，一个用于胸部X光片分类的新颖框架，解决了类别不平衡和特征丢失等挑战。该系统利用多视图注意力集成和梯度提升元学习，并结合了卷积块注意力模块和混合损失函数等技术。在大型数据集上进行评估，PulmoSight-XAI取得了最先进的性能，并通过可解释性分析展示了强大的解剖学一致性。
-
MambaLIE：状态空间模型高效增强低光图像
研究人员开发了MambaLIE，一种利用状态空间模型（SSM）的低光图像增强新方法。该方法旨在克服现有卷积神经网络（CNN）和Transformer在长距离依赖性或计算成本方面的局限性。MambaLIE引入场景光照强度来指导增强过程，并提出了一种局部增强状态空间模型（LESSM），该模型结合了用于长距离建模的SSM和用于效率的局部增强分支。实验表明，MambaLIE在准确性、速度和模型大小方面均优于现有方法，适用于资源有限的设备。
-
新型无卷积架构增强图像恢复任务
研究人员开发了 Pool-DIP，一种用于图像恢复任务的新型无卷积架构。该模型使用基于池的对比度建模有效捕获空间上下文，与传统的基于卷积的深度图像先验模型相比，在参数更少、计算复杂度更低的情况下实现了更好的去噪性能。Pool-DIP 在各种数据集上均取得了有竞争力的结果，并且能很好地泛化到超分辨率和图像修复等任务，同时还能稳定优化过程中高频分量的演变。
-
新的拓扑方法提高了AI动脉瘤检测的准确性
研究人员开发了一种名为平滑欧拉示性数变换（SECT）的新拓扑形状表示方法，以提高从CT血管造影扫描中检测颅内动脉瘤（IA）的准确性。该方法解决了传统卷积神经网络难以区分小型动脉瘤与血管分叉的关键挑战，导致假阳性率很高。SECT编码了全局3D血管几何形状，其AUC达到0.943，显著优于现有方法，尤其在检测小于3毫米的病变方面表现出色。该表示方法还具有扫描仪无关性，证明了其在不同成像设备上的鲁棒性。
-
新研究探索神经网络和迁移学习在伊辛模型中的应用 · 跟踪3个来源
两篇新研究论文探讨了神经网络和迁移学习在处理高维伊辛模型中的应用。第一篇论文研究了各种神经网络架构的分布外性能，发现基于Transformer的模型和卷积神经网络采用了不同的统计策略，这些策略可能导致表观鲁棒性，但并非真正的物理规则学习。第二篇论文介绍了Trans-Ising，一种旨在通过有效利用辅助数据集来改进伊辛模型估计的迁移学习方法，与仅使用目标数据集的方法相比，其估计误差更低。
-
深度学习在多标签图像分类中的应用：全面综述
本文全面回顾了用于多标签图像分类（MLIC）的深度学习技术。它将现有的MLIC方法分为六类，包括面向区域、面向标签和面向架构的方法。该综述还讨论了该领域的挑战和未来的研究方向，旨在为研究人员提供一个系统的视角。
-
新框架利用时间序列AI预测个体缺勤
研究人员开发了一个新的时间序列分类框架，旨在预测个体缺勤，以满足医疗保健和应急服务等领域的重要需求。该框架将历史出勤数据与未来缺勤标签分开，从而能够比现有方法进行更主动的预测。使用模拟数据集和各种深度学习架构（包括LSTM-FCN）进行的实验显示出有希望的结果，其中LSTM-FCN表现出较高的精确率和特异度。
-
量子纠缠提升病原体结合预测的机器学习能力
研究人员探索了纠缠在量子机器学习模型中对预测病原体表位-受体结合的影响。他们的研究聚焦于猪繁殖与呼吸综合征（PRRS）病毒，将经典的卷积神经网络（CNN）与混合量子神经网络（QNN）架构进行了比较。研究结果表明，具有高纠缠度的特征图，特别是全连接ZZ纠缠配置，表现出较低的训练集过拟合倾向，并在测试数据上保持了具有竞争力的准确性。尽管尚未确立普遍的量子优势，但该研究表明纠缠拓扑结构是设计稀疏生物筛选任务中有效QML模型的一个重要因素。
-
新的STEMGym基准突出显示感知管线在自主显微镜中的重要性
一个名为STEMGym的新基准已被开发出来，用于评估自主电子显微镜中的序贯决策。该基准模拟了跨越各种材料和任务的15个不同的STEM世界，重点是在严格的电子剂量预算下优化信息获取。使用STEMGym的研究表明，感知管线，特别是卷积神经网络（CNN），是剂量效率最关键的因素，其性能显著优于导航策略的进步。
-
机器人关节传感器无需外部硬件即可实现触觉手势识别
研究人员开发了一种深度学习方法，仅使用工业机器人内置的关节传感器进行触觉手势识别。该方法无需外部传感器，为人类与机器人协作提供了更具成本效益和可扩展性的解决方案。在 Franka Emika Research 机器人上的实验表明，基于声谱图的卷积神经网络（CNN）模型在接触检测和手势分类方面达到了超过 95% 的准确率，证明了无传感器触觉识别的可行性。
-
新的XAI评估框架关注真实世界中的少类别CNN
研究人员引入了一个新的框架来评估可解释人工智能（XAI）技术的忠实度，该框架专门针对在真实世界应用中使用且类别有限的卷积神经网络（CNN）分类器。所提出的方法生成分布内、能引发不确定性的扰动，以更准确地衡量XAI方法在多大程度上反映了模型的决策过程。该评估框架已在医学和自然成像数据集上进行了演示，突显了领域、数据策展和XAI方法选择对于验证新CNN模型的重要性。
-
新理论增强了对CNN分离能力的理解
研究人员开发了一个新的理论框架，用于理解卷积神经网络（CNN）作为分类任务的特征提取器。这项工作将Cover的函数计数理论扩展到分析这些网络的“分离能力”，该能力量化了网络可以实现的二元标签分配的数量。该研究特别关注散射网络，确定了其设计中影响这种能力的关键因素，并为其构建提供了实用见解。
-
HASTE框架实现无需训练的CNN压缩
研究人员开发了HASTE，一个新颖的框架，旨在压缩大型预训练卷积神经网络（CNN）而无需额外的训练或数据访问。这个即插即用的模块在推理过程中利用局部敏感哈希动态合并冗余通道，从而降低计算成本。在CIFAR-10和ImageNet等数据集上的实验表明，FLOPs显著减少，例如ResNet34的FLOPs减少了46.2%，而准确率仅有微小下降。