PulseAugur
中
实时 12:06:32
实体 deep neural network

deep neural network

PulseAugur coverage of deep neural network — every cluster mentioning deep neural network across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
18
90 天内 93
发布 · 30天
0
90 天内 0
论文 · 30天
18
90 天内 91
层级分布 · 90 天
主题
关系
情绪 · 30 天

7 天有情绪数据

最近 · 第 1/5 页 · 共 98 条
  1. RESEARCH · CL_366255 ·

    新理论提高了深度神经网络的稳定性和准确性

    研究人员为深度神经网络开发了一个新的理论框架,该框架提高了它们在非参数回归任务中的稳定性和准确性。该工作在分裂谱范数乘积约束下建立了深度 ReLU 网络精确逼近理论,证明了平滑的 Hölder 函数可以通过增加网络深度来均匀逼近。提出的惩罚最小二乘估计器在保持均匀有界利普希茨常数的同时实现了最佳非参数速率,提供了对抗扰动的鲁棒性,并且准确性与现有方法相当。

  2. RESEARCH · CL_366159 ·

    OMNIS+框架通过动态神经网络增强边缘计算

    研究人员推出OMNIS+,一个新颖的语义框架,用于面向边缘计算环境中动态拆分神经网络的无线接入网(RAN)切片。该框架通过整合动态神经压缩和自适应量化以实现任务卸载,解决了静态计算模型的局限性。OMNIS+旨在在服务质量(QoS)约束下优化移动设备的推理准确性,同时由边缘服务器管理资源分配。该系统采用多智能体分布式优化方法,与现有方法相比,QoS违规概率显著降低。

  3. TOOL · CL_357611 ·

    SPARC方法提高了光子神经网络加速器的精度

    研究人员开发了一种名为SPARC的新方法,以提高光子神经网络加速器的推理精度。该方法解决了这些系统中固有的低比特量化和模拟光子噪声造成的限制。SPARC通过识别相似激活向量的组,并以高精度数字计算代表性向量的点积,同时将剩余计算卸载到光子加速器来实现这一点。该技术保留了现有的光子计算管道,并在各种深度神经网络模型中展示了更高的精度。

  4. TOOL · CL_355747 ·

    QBSO-FS方法通过优化特征选择增强防火墙日志分析

    研究人员开发了一种名为QBSO-FS的新型特征选择方法,该方法结合了蜂群优化和Q学习,以改进防火墙日志分析。该方法在UCI互联网防火墙数据集上使用随机森林、k近邻和伯努利朴素贝叶斯等分类器进行了测试。QBSO-FS方法成功识别出一小组特征,显著提高了分类准确率和Macro-F1分数,特别是对于去重数据上的随机森林,准确率达到99.90%,Macro-F1达到94.88%。

  5. RESEARCH · CL_351997 ·

    生成式AI提升痴呆症诊断准确性

    研究人员正在探索使用生成模型,特别是变分自编码器和生成对抗网络,来提高诊断痴呆症及其亚型的准确性。这些模型被应用于基于音频的特征以进行一般性痴呆症检测,以及应用于磁共振成像扫描以区分额颞叶痴呆症和阿尔茨海默病。生成方法旨在扩充有限的医疗数据集,从而获得更强大的分类器,并显著提高诊断性能。

  6. TOOL · CL_344399 ·

    新方法为深度回归模型提供统计和隐私保证

    研究人员开发了一种方法,为使用随机梯度Langevin动力学(SGLD)训练的深度非参数回归模型提供统计和隐私保证。通过采用针对深度ReLU网络量身定制的PAC-贝叶斯分析,他们建立了一个超风险界限,该界限考虑了近似误差、统计复杂性以及SGLD引入的噪声。该分析表明,该估计器可以实现非参数回归的最优速率,噪声方差与随机项成反比。此外,对于裁剪SGLD,该方法实现了f-DP保证和渐近μ-GDP保证,在真实数据集上的模拟证明了其预测性能和…

  7. TOOL · CL_326938 ·

    新框架通过分布外检测提升DNA甲基化肿瘤分类能力

    研究人员开发了一个新框架,以提高基于DNA甲基化肿瘤分类系统的鲁棒性。这种深度表示学习方法侧重于检测分布外(OOD)样本,这些样本可能导致临床诊断中的错误预测。该研究探索了各种OOD检测方法,发现一维子空间分析(1D-SSA)是最有效的方法。当应用于肉瘤和脑肿瘤数据集时,该框架在区分分布内和分布外样本方面表现出高精度,表明其作为临床应用的质量控制层具有潜力。

  8. TOOL · CL_337594 ·

    深度学习框架提升DNA甲基化肿瘤分类的鲁棒性

    研究人员开发了一个新颖的深度表示学习框架,以提高基于DNA甲基化的肿瘤分类器在面对分布外(OOD)数据时的鲁棒性。所提出的方法从在特定肿瘤类型上训练的深度神经网络的瓶颈层提取特征向量,并采用各种OOD检测技术。其中,一维子空间分析(1D-SSA)显示出最高的有效性,在区分肉瘤和脑肿瘤数据集中的分布内和分布外样本方面取得了高AUROC分数。

  9. TOOL · CL_315173 ·

    新的迁移学习框架提升可见光室内定位精度

    研究人员开发了一种新颖的迁移学习框架,以提高可见光通信(VLC)系统中的室内定位精度,特别适用于工业4.0应用。该框架通过在目标区域的较小子集测量数据上微调预训练的深度神经网络,显著减少了部署所需的数据量,恢复了超过97%的完整数据性能。引入了一个新的指标——迁移效率得分(TES),用于识别最有效的迁移源模型,从而实现了低至40.9厘米的定位误差,并展示了强大的泛化能力。

  10. TOOL · CL_323151 ·

    新框架提升工业4.0室内定位精度

    研究人员开发了一种新的迁移学习框架,以提高基于可见光通信(VLC)的室内定位系统的准确性和数据效率,这对于工业4.0应用至关重要。通过在一个区域的数据上预训练深度神经网络,并在新区域使用更小的数据子集进行微调,该系统可以恢复几乎全部使用完整数据所能达到的性能。该框架还引入了迁移效率评分(TES)来识别最有效的源模型,从而实现低至40.9厘米的定位误差和高成功率。

  11. RESEARCH · CL_315231 ·

    新定理证明深度神经网络中梯度轨迹的收敛性

    一篇新发表在arXiv上的论文介绍了一个定理,该定理解决了可定义势函数在无穷远处梯度猜想的问题。研究证明了此类势函数的梯度轨迹具有有限的球形长度并具有方向收敛性。这一发现对深度神经网络(DNN)的训练有影响,表明当激活函数和损失函数是可定义的且连续可微时,训练流会收敛。

  12. TOOL · CL_308099 ·

    基于ODE的新方法推动条件分布学习

    研究人员推出了一种名为条件Föllmer流(Conditional Föllmer Flow)的新型深度生成方法,该方法基于常微分方程(ODEs)来学习条件分布。该方法从标准高斯分布开始,有效地逼近目标条件分布。该方法使用欧拉法对流进行离散化,并使用深度神经网络估计速度场。该论文还提供了关于Wasserstein-2距离的理论收敛性分析,为这类条件分布学习提供了首次全面的端到端误差分析。数值实验表明,在包括图像数据在内的各种场景中,该…

  13. TOOL · CL_303637 ·

    新标准优化深度神经网络的权重初始化

    研究人员开发了一个新的数学标准,用于选择深度神经网络(DNN)中权重初始化的最优方差。通过分析随机梯度下降(SGD)在连续时间 Fokker-Planck 方程中的行为,他们通过 Kullback-Leibler 散度建立了初始分布与期望成本函数之间的联系。该方法提供了一种具体的、非启发式的方法来确定初始化尺度,与传统的 He-normal 初始化相比,在 MNIST 和 Fashion-MNIST 数据集上的验证结果显示,该方法能带…

  14. RESEARCH · CL_303537 ·

    新研究探索边缘AI加速器的先进量化技术

    两篇新研究论文探讨了用于边缘设备的深度神经网络(DNN)的先进量化技术。第一篇论文介绍了ShiftQAT,一种用于MAX7800x系列CNN加速器的感知量化训练流程,它确保网络遵守特定的数值契约以实现高效的硬件执行。第二篇论文提出了一种编译多阈值算子以实现量化、非单调和细粒度激活的方法,扩展了FINN等现有框架,并可能为更复杂的激活函数实现感知量化训练。

  15. TOOL · CL_300642 ·

    WisdomNet架构旨在实现无误分类AI

    研究人员推出了一种新颖的神经网络架构WisdomNet,旨在实现无误分类。该方法促使模型在无法自信做出决策时发出信号,从而避免错误分类,并在必要时将任务交由人类专家处理。WisdomNet包含一个额外的“共轭神经元”来指示其预测的准确性,并已证明能够在保持低难分类数据拒绝率的同时,将分类错误率降低至0%。

  16. TOOL · CL_294439 ·

    快手部署新型检索模型以提升视频观看时长

    研究人员开发了一种可控检索模型(CRM),旨在通过将期望的观看时长作为条件来提高推荐系统的效率。该框架使用深度神经网络和决策Transformer实现,通过输入目标观看时长,无需重新训练即可引导检索。CRM已部署在快手短视频推荐系统中,用户观看时长得到可衡量的提升。

  17. RESEARCH · CL_294432 ·

    新研究探索用于高效LLM训练的子空间优化 · 跟踪2个来源

    两篇新研究论文探讨了用于更高效地训练大型语言模型(LLM)的先进优化技术。第一篇论文介绍了SMRC和PMRC,它们使用残差校正框架将优化状态保持在子空间内,实现了与全空间方法相当的收敛速度。第二篇论文提出了一种数据驱动的方法,动态选择LLM层的最优更新几何形状,在SGD和Muon之间进行插值,并展示了仅有少量运行时开销即可获得具有竞争力的性能。

  18. TOOL · CL_288085 ·

    深度学习提升安哥拉大规模勘探中的地震干扰去除效果

    研究人员在安哥拉Camie油田的大规模海上地震勘探中应用了深度神经网络(DNN),显著提高了地震干扰的衰减效果。该基于DNN的工作流程采用监督学习框架,并使用手动生成的训练数据进行训练,与传统的地球物理算法相比,在去除地震干扰方面表现出更高的准确性。该项目覆盖面积超过345平方公里,凸显了DNN在实现更高地震干扰去除精度、减少信号泄漏和更彻底地消除噪声方面的有效性,预示着深度学习在其他地震去噪应用中的潜力。

  19. TOOL · CL_268975 ·

    深度神经网络框架简化交流潮流故障分析

    研究人员开发了一种新颖的交流潮流故障分析框架,该框架使用单个深度神经网络(DNN)来预测故障后的运行状态。该方法旨在减轻传统方法相关的计算负担,传统方法通常需要大量的特定于停电的训练数据。所提出的方法将状态预测构建为不动点迭代,并包含半定规划(SDP)公式来认证DNN的收敛条件。在IEEE 118总线系统上的测试表明,SDP公式是有效的,并且该方法以很少的迭代次数准确地估计了故障后的状态。

  20. TOOL · CL_259440 ·

    新的DPG损失函数提高了神经网络求解偏微分方程的准确性

    研究人员为旨在准确预测参数依赖性偏微分方程(PDE)解的机器学习模型开发了新的基于残差的损失函数。这些函数,特别是源自不连续Petrov-Galerkin(DPG)方法中的函数,比传统的最小二乘损失函数具有更稳健的性能,尤其是在处理高对比度扩散参数时。该研究提供了理论论证和数值结果,以支持这些DPG损失函数在增强深度神经网络降阶模型预测能力方面的有效性。