deep neural network
PulseAugur coverage of deep neural network — every cluster mentioning deep neural network across labs, papers, and developer communities, ranked by signal.
11 天有情绪数据
-
Contravariance Theory 提出 AI 与大脑网络之间不可避免的趋同演化
一篇题为“Contravariance Theory: Strong Alignment for Minimal Solutions to Hard Tasks”的新论文提出了一个理论框架，用于理解人工神经网络与生物大脑之间的关系。研究表明，对于复杂任务而言，最小的深度神经网络解决方案会表现出一种“逆变性”，即表示中的弱对齐会导致特权轴上的强对齐。由于端到端任务优化，这种对齐会沿着网络层级向上传播，这意味着在足够具有挑战性的任务面前，…
-
VTC框架消除了深度神经网络编译中的数据移动
研究人员开发了VTC，一个旨在消除不必要数据移动的新型深度神经网络（DNN）编译框架。该框架引入了虚拟张量的概念，通过索引映射而非全局内存的物理传输来跟踪数据移动。VTC旨在解决计算和内存延迟之间日益扩大的差距，这是当前大型语言模型等DNN工作负载的关键问题。评估显示，VTC的性能可超越现有ML编译器高达1.93倍，并实现显著的推理内存节省。
-
InferNet利用GPU配置文件进行DNN架构推断
研究人员开发了InferNet，一种通过分析聚合GPU配置文件来推断深度神经网络（DNN）架构的新颖方法。该技术绕过了复杂、细粒度数据分析的需求，而是利用了GPU内核调用和内存事件等粗粒度系统级信息。InferNet能够准确预测通用架构家族和特定变体，在跨不同AI框架、DNN类型和硬件平台的评估中实现了100%的模型提取准确率。
-
AdaStop框架通过管理标注成本优化深度神经网络测试
研究人员开发了AdaStop，一个新颖的框架，旨在通过智能管理标注成本来优化深度神经网络（DNN）的测试。AdaStop将测试视为一个成本效益决策过程，解决了确定适当标注预算的挑战。它估计边际故障发现率，并在该比率低于预定阈值时停止标注，从而减少不必要的开支，同时仍能发现模型中的大部分故障。
-
新框架通过状态分析对深度神经网络进行经验性压缩
研究人员开发了一种通过分析其内部状态的可控性和可观测性来压缩深度神经网络的新颖方法。该框架将训练好的网络视为动力学系统，使用数据驱动的测试来估计隐藏状态内的冗余度。该方法成功地减小了MNIST和CIFAR-10数据集上网络的态阶，在状态和参数方面实现了显著压缩，同时在很大程度上保持了准确性并提高了推理速度。
-
深度神经网络加速量子计算硬件设计
研究人员开发了两种深度神经网络（DNN）方法来解决用于玻色子量子计算的超导射频（SRF）腔和Transmon量子比特的逆向设计问题。这些DNN能够快速生成满足特定电磁和耦合目标的候选器件几何形状，与传统的迭代模拟方法相比，大大降低了计算成本。第一个DNN提出了SRF腔设计，第二个DNN设计了Transmon量子比特以实现所需的耦合率、量子比特频率和非简谐性，恢复的设计在几个百分点内与目标匹配。
-
新的LENC框架实现了深度神经网络之间的协作知识蒸馏
研究人员引入了一个名为学习教育节点社区（LENC）的新颖框架，该框架专为协作知识蒸馏而设计。该系统使部署的各种深度神经网络（DNN）能够动态地充当寻求知识的学生或传授知识的老师，从而促进集体学习环境。LENC通过自主教师发现和流驱动的蒸馏促进知识转移，在没有明确任务边界元数据的情况下增强学习能力并减轻灾难性遗忘。在图像分类任务上的实验表明，LENC能够利用集体知识提高平均测试准确率，并在分布式环境中持续适应。
-
随机森林分类器在物联网入侵检测研究中领先 · arXiv论文
一项新的研究论文通过比较五种机器学习算法在入侵检测方面的有效性，分析了物联网（IoT）网络的安全性。该研究使用了Gotham2025数据集，该数据集模拟了一个拥有78个设备以及MQTT、CoAP和RTSP等协议的真实物联网环境。结果表明，随机森林分类器表现最佳，在识别攻击时达到了0.99的F1分数，凸显了其在保护资源受限的物联网设备方面的潜力。
-
机器学习加速碳储存的数字岩石建模
研究人员开发了一个新颖的机器学习框架，用于增强碳酸盐岩的表征，以应用于碳储存和石油生产等领域。该框架利用深度神经网络（DNN）作为复杂模拟的代理模型，并结合了具有多数据同化（ESMDA）的集成平滑器算法。DNN-ESMDA方法将计算时间从数千小时显著缩短到几秒钟，实现了岩石性质的高效推断和不确定性估计，这对于高保真数字岩石建模至关重要。
-
AI模型预测激光和TIG工艺的焊接质量 · 跟踪5个来源
研究人员开发了用于预测激光和TIG焊接工艺中焊接质量的先进深度学习模型。其中一个模型利用多任务时空深度神经网络，根据焊缝图像预测熔深和形貌，实现了高精度。另一种方法侧重于无监督域自适应，使在一种焊接工艺上训练的模型能够在另一种工艺上表现良好，从而显著减少了大量的重新标记需求。第三种方法采用带有物理信息神经网络的自监督学习，使用最少的标记数据来预测激光焊接熔深，其性能与全监督方法相当。
-
研究人员开发本地AI模型将图像转化为可玩游戏
一位研究人员开发了一个深度神经网络，能够将图像转化为可玩的游戏，该模型设计为在消费者硬件上本地运行，而无需数据中心。该模型采用类似Transformer的架构，能够像大型语言模型一样因果地处理信息，从而实现实时帧生成。虽然一个拥有0.5亿参数的版本已在RTX 5090上进行了演示，但它在运动和上下文方面存在问题，开发者目前正在训练一个拥有0.8亿参数的更大版本。
-
深度神经网络方法增强粒子物理推断
arXiv上的一篇新论文介绍了一种基于模拟的推断（SBI）方法，用于估计粒子物理学中的共振参数，特别是rho(770)共振。与传统的卡方最小化方法相比，这种深度神经网络驱动的方法在处理模型误设时表现出更高的准确性。该研究强调了SBI在预测极点位置方面的鲁棒性，这对于理解各种当代物理系统至关重要。
-
新的J4D框架为AI视觉任务优化JPEG
研究人员开发了一个名为J4D的新框架，用于专门为深度神经网络（DNN）优化JPEG压缩参数。与为人类观看者设计的传统JPEG不同，J4D旨在最大限度地提高DNN推理性能的同时最大限度地降低压缩率。该框架使用可微分软量化器和分析率估计器，允许使用反向传播进行训练。实验表明，J4D在相同压缩率下实现了更高的准确性，或在相同准确率下实现了更低的压缩率，显著优于标准JPEG和其他DNN优化编解码器。
-
机器学习优化铣削过程以实现表面粗糙度
研究人员开发了一个机器学习框架来优化铣削过程以实现表面粗糙度。该系统使用深度神经网络和随机森林集成，在合成数据上进行训练，以预测铣削参数。该框架与贝叶斯优化相结合，以识别最佳配置，预测平均相对误差小于5%。
-
新型深度神经网络融合图像和雷达数据以增强无人机分类
研究人员开发了一种新的无人机（UAV）分类方法，通过将多传感器数据融合到深度神经网络（DNN）中。该DNN模型集成了从热成像、光电和雷达数据中提取的高级特征。该架构专门利用卷积神经网络（CNN）来组合这些特征，旨在实现比单独使用传感器更高的分类精度。
-
新的VarDeepPCA框架通过不确定性改进医学图像分割
研究人员开发了VarDeepPCA，一个新颖的变分深度神经网络框架，旨在改进分布外（OOD）医学图像的分割。该框架从小的分布内数据集中学习解剖结构几何，使其能够在无需目标域数据或大量重新训练的情况下改进退化的分割图。VarDeepPCA提供计算高效、无采样的学习，并为其恢复的分割提供不确定性估计，在多个应用中展示了解剖学合理性和临床效用的显著改进。
-
用于可穿戴脑电图分析的深度学习模型简化
研究人员探索了降低深度学习模型在可穿戴设备上分析脑电图（EEG）信号的计算复杂性的方法。该研究侧重于参数量化和电极减少等技术，以平衡准确性与可穿戴技术的有限资源。研究结果表明，这些方法可以在对准确性影响最小的情况下显著降低模型复杂性，从而能够更实际地部署深度学习进行在线脑电图分析，例如检测癫痫发作。
-
新的增强方法改进了空间转录组学插补
研究人员开发了SNR-ST-Mix，一种使用深度神经网络的空间转录组学插补的新型数据增强框架。该方法通过确保混合样本保留局部生物结构和空间平滑性，解决了当前增强策略的局限性。实验表明，SNR-ST-Mix在不增加计算复杂度的情况下优于现有方法，从而提高了预测性能。
-
Terastal框架优化异构加速器上的DNN调度
研究人员开发了Terastal，一个旨在改进异构加速器上多个深度神经网络（DNN）的调度的新框架，适用于软实时应用。该系统通过创建定制的“层变体”（DNN层的优化实现）来解决加速器之间的延迟差异。Terastal结合了离线设计和在线调度，以平衡时间和准确性，据报道，与现有方法相比，其截止日期未完成率降低了30%以上，同时保持了高准确性。
-
深度高斯过程在临界阈值以下显示出非高斯极限
研究人员在组合高斯过程（GPs）中发现了一个临界阈值，该阈值决定了深度模型中的行为是退化还是非平凡的。研究确定了一个尖锐的带宽阈值 $r_c(d) = \Theta(\sqrt{d})$，高于该阈值，GP先验收敛到常数函数。低于该阈值，先验收敛到非高斯、非退化的分布，为深度贝叶斯网络提供了更有用的概率模型。