DNNs as Applied to Electromagnetics, Antennas, and Propagation—A Review
PulseAugur coverage of DNNs as Applied to Electromagnetics, Antennas, and Propagation—A Review — every cluster mentioning DNNs as Applied to Electromagnetics, Antennas, and Propagation—A Review across labs, papers, and developer communities, ranked by signal.
-
PoTAcc流水线在边缘设备上加速二的幂量化深度神经网络
研究人员开发了PoTAcc，一个开源流水线，旨在加速资源受限的边缘设备上二的幂（PoT）量化深度神经网络（DNN）的部署。该系统通过TensorFlow Lite促进这些模型的准备和部署，支持仅CPU配置以及带有定制加速器的混合CPU-FPGA系统。评估表明，使用PoTAcc的CPU-加速器设计在特定FPGA板上与仅CPU执行相比，实现了高达3.6倍的速度提升和78%的能耗降低。
-
新的AdaLoc方法确保了可适应的AI模型使用控制
研究人员开发了一种名为AdaLoc的新方法，通过将访问密钥嵌入到模型参数的子集中来增强深度神经网络（DNN）的安全性。这种方法实现了可适应的模型使用控制，这意味着即使在微调或特定任务更新后，也可以在不进行完全重新密钥设置的情况下，将模型的效用恢复到授权状态。在各种基准测试和架构上的实验表明，AdaLoc在为授权用户保持高精度的同时，能够显著降低未经授权访问的性能，使其下降到接近随机猜测的水平。
-
研究发现DNN可缓解特征交互模型中的维度坍塌
本文研究了深度神经网络（DNN）在特征交互推荐模型中的作用，探讨了其捕捉复杂交互的能力。研究提出了一种新的视角，关注DNN如何影响表示的维度鲁棒性。并行和堆叠DNN的实验表明，它们能有效防止嵌入维度坍塌，理论分析揭示了其潜在机制。
-
DNNs、数据集统计和相关函数
一篇新论文提出，深度神经网络（DNN）在图像识别任务中的成功源于其发现数据集中高阶相关函数的能力。作者认为，DNN有效地采用了类似于凝聚态物理学的方法，专注于介观尺度相关结构。这一观点为解释DNN的泛化能力提供了潜在的解释，似乎挑战了传统的统计学习理论。