Logic Gate Networks
PulseAugur coverage of Logic Gate Networks — every cluster mentioning Logic Gate Networks across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新框架解决了逻辑门网络中的核冗余问题
研究人员开发了一个新框架来解决逻辑门网络中的核冗余问题。逻辑门网络是一种仅使用逻辑门的神经网络。该框架名为动态逻辑核框架，促进核组之间的专业化，以提高网络宽度增加的利用率。通过实现输入依赖的核路由并将适应性集中在初始门级别，该方法增强了核多样性和参数效率，从而提高了准确性。
-
新的输入锚定逻辑门网络提升深度可扩展性
研究人员引入了输入锚定逻辑门网络（IALGNs），以解决传统逻辑门网络（LGNs）在深度可扩展性方面的限制。与现有难以从增加深度中获益（由于优化崩溃或拓扑约束）的LGNs不同，IALGNs在每个门中都包含一个直接的输入锚定。这种设计确保了更深的层仍然以原始输入为条件，保留了计算主干，并实现了信息量逐渐增加的表示。在MNIST、CIFAR-10和CIFAR-100数据集上的实验表明，IALGNs在超过100层时实现了持续的深度-准确性提…
-
新方法优化逻辑门网络以提升AI性能
研究人员开发了一种优化深度可微分逻辑门网络（LGNs）和查找表网络（LUTNs）的新颖方法。这种训练方法使用概率分布来选择每个门或LUT输入引脚的连接，从而能够同时学习最优的门类型和LUT条目。优化的LGNs在MNIST手写数字和Fashion-MNIST等基准测试中表现出卓越的性能，在MNIST上达到了98.92%的准确率，并且与标准的固定连接LGNs相比，所需的逻辑门数量显著减少。
-
逻辑门网络为视频复制检测提供高效、紧凑的方案
研究人员开发了一种使用可微分逻辑门网络（LGN）进行视频复制检测的新框架。该方法用紧凑的、基于逻辑的表示取代了传统的浮点特征提取器，实现了高效且内存占用小的推理。LGN模型可以离散化为纯布尔电路，推理速度超过每秒11,000个样本，描述符比传统方法小几个数量级。这为大规模、资源高效的视频复制检测提供了一种有前景的替代方案。