feedforward neural network
PulseAugur coverage of feedforward neural network — every cluster mentioning feedforward neural network across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
从头开始构建循环神经网络详解
本文解释了从头开始构建循环神经网络（RNN）的过程。它强调RNN旨在通过在不同时间步长之间维护信息来处理序列数据。与前馈网络的核心区别在于其循环连接，这使得它们具有记忆能力。
-
神经网络模型模拟帕金森病患者的步态变化
研究人员开发了一种新颖的方法，通过单受试者潜在空间分析来近似步态动力学，重点关注咬合约束下的变换。训练了一个前馈神经网络来模拟在为期十一周的时间里，一名帕金森病症状参与者步态模式的变化。该模型成功地保留了不同咬合条件下步态位移的顺序，这表明了一种潜在的方法学途径，可用于未来的多受试者预测可行性模型，尽管它并不声称具有临床预测或因果效应。
-
论文表明神经网络具有有限样本复杂度
一篇新论文证明，广泛的前馈神经网络架构都具有有限样本复杂度。这意味着它们即使在参数无界的情况下，也能在PAC模型中有效学习。研究结果表明，可学习性是许多现代架构的一个基本属性，从而将研究重点转移到归纳偏倚和优化等方面。
-
神经网络为撒哈拉沙漠提供概率气候分类
研究人员开发了一个使用前馈神经网络进行气候带分类的概率框架，与传统的确定性方法相比，提供了更细致的理解。该方法量化了分类中的不确定性，这对于过渡性气候带尤其有用。该模型应用于撒哈拉沙漠，使用了1960-1989年的数据，分析了时间演变和荒漠化趋势。
-
研究人员提出了一种新的剪枝视觉神经网络的框架，以减小尺寸和计算量。
研究人员开发了一种新颖的网络剪枝框架，旨在显著降低深度神经网络的存储和计算需求。该方法采用统计分析，特别是基于F统计量的筛选技术，来识别和消除非必需参数。该方法已证明能够将模型尺寸和计算需求降低高达十倍，同时保持准确性，并在FNN和CNN的各种视觉数据集上取得了有竞争力的结果。
-
准等变元网络推动权重空间学习
研究人员将准等变性引入元网络，这是一种用于操作预训练神经网络权重的新概念。这种新方法允许元网络在不牺牲严格等变性的前提下，尊重架构对称性，从而可能产生更具表现力和鲁棒性的模型。该框架已在各种神经网络架构（包括前馈、卷积和Transformer网络）中得到验证，在对称性保持和表示能力之间取得了平衡。
-
包括神经网络在内的随机特征模型实现通用逼近
研究人员引入了一个新的随机特征学习框架，并将其扩展到Banach空间。该方法通过在特征图随机初始化后仅训练线性读出，从而显著降低了计算复杂度。该研究证明了在相应的Bochner空间内的通用逼近结果，并推导了逼近率，为学习Banach空间中的元素提供了一种显式算法。该框架包括随机三角回归和随机神经网络，将其通用逼近性质扩展到各种函数空间，包括非紧域上的函数空间。