实体
Equivariant neural networks for inverse problems
Equivariant neural networks for inverse problems
PulseAugur coverage of Equivariant neural networks for inverse problems — every cluster mentioning Equivariant neural networks for inverse problems across labs, papers, and developer communities, ranked by signal.
总计 · 30天
3
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
3
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
贝叶斯神经网络利用对称性提升深度学习性能
研究人员探讨了对称性在深度学习中的作用，特别是在贝叶斯神经网络（BNNs）中。他们研究了在网络架构上施加对称性约束或通过数据增强学习对称性是否能产生更好的结果。该研究侧重于BNNs中的变分推断，并推导了实现精确等变性的条件以及等变性误差的界限。引入了三种新颖的对称化技术，其中“轨道扩展”在等变性和总体结果方面均表现出优越性能。
-
新的卷积方法改进了用于在表面上求解PDE的神经网络
研究人员识别并解决了用于在表面上求解偏微分方程的神经网络模型中的平滑性误差。传统的图神经网络可能存在过平滑问题，即节点特征变得过于相似，从而阻碍了扩散过程等任务的性能。虽然曾提出过酉图卷积来缓解此问题，但对于会随时间自然平滑的系统，它们可能过于严格。本文介绍了松弛酉卷积，它在保持平滑性与物理系统所需的自然平滑性之间取得了平衡，并将这些概念扩展到了网格上。实验表明，该新方法在求解热方程、波动方程和天气预报等任务上优于现有基线。
-
强化学习代理高效合成Clifford量子电路
研究人员开发了一种新颖的强化学习方法来合成Clifford量子电路。他们的方法利用了一个大小无关、等变的神经网络，该网络学习发现Clifford门的最佳序列。该代理表现出色，能在毫秒内找到六量子比特系统的近最优电路，并扩展到三十量子比特，性能优于现有合成器。