PulseAugur
中
实时 06:37:13
实体 MNIST database

MNIST database

PulseAugur coverage of MNIST database — every cluster mentioning MNIST database across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
100
90 天内 358
发布 · 30天
0
90 天内 0
论文 · 30天
97
90 天内 353
层级分布 · 90 天
主题
关系
情绪 · 30 天

18 天有情绪数据

最近 · 第 1/10 页 · 共 200 条
  1. TOOL · CL_368273 ·

    新的量子专家软混合架构增强了混合学习

    研究人员推出了一种新颖的量子专家软混合(Soft-MoQE)架构,旨在改进混合量子-经典学习。该模型利用一组固定的量子电路,每个电路提供独特的嵌入,以及一个学习为单个数据点加权这些嵌入的经典门控网络。通过避免直接的变分量子训练,Soft-MoQE 显著降低了如 barren plateaus 和硬件限制等优化挑战。在 MNIST 和 Fashion-MNIST 数据集上的基准测试表明,Soft-MoQE 的性能优于单一专家、均匀平均和…

  2. TOOL · CL_366175 ·

    新的神经网络训练方法绕过反向传播

    研究人员推出了一种名为“监督赫布类网络”(Supervised Hebbian Class Networks)的新型神经网络训练方法,该方法无需传统反向传播和梯度计算。该方法为每个神经元分配一个类别,并使用基于类别的监督规则结合改进的Lion优化器同时训练所有层。实验证明了该技术在多层感知机和卷积网络分别应用于MNIST和CIFAR-10数据集上的有效性。

  3. TOOL · CL_366166 ·

    UCLIR方法通过独立表示增强无监督持续学习

    研究人员开发了UCLIR,一种新颖的无监督持续学习方法,可提高跨任务的知识保留能力。与更新整个网络权重的传统方法不同,UCLIR将输入分解为独立学习的表示。这种方法可以限制干扰,并将参数更新限制在特定的表示上,从而增强知识保留能力。在MNIST、CIFAR-10和Tiny-ImageNet等各种数据集上的实验表明,UCLIR与监督学习和基于重放的技术相比具有竞争力。

  4. TOOL · CL_366120 ·

    新的切比雪夫抽象方法增强了AI系统的认证可达性

    研究人员开发了一种使用切比雪夫多项式区域体抽象的新方法,以提高可学习系统的认证可达性。这种方法比传统的截断泰勒展开式具有显著优势,后者受限于多项式的收敛半径,尤其是在现代控制器(如具有sigmoid门的控制器)的非线性动力学中。切比雪夫方法在宽度增益方面随着次数的增加呈现几何增长率,在认证更宽的输入区域和证明泰勒方法失败的规范方面优于泰勒展开式,尤其是在MNIST数字等训练分类器上。

  5. TOOL · CL_366117 ·

    受生物启发的脉冲神经网络方法可提高效率和准确性

    研究人员开发了新颖的受生物启发的脉冲编码方法和优化技术,以提高脉冲神经网络(SNN)的能效和准确性。通过将这些方法与自适应阈值代理梯度和二阶优化相结合,该研究在容量受限的情况下展示了显著的收益。在MNIST和Fashion-MNIST数据集上的实验表明,基于生物学原理的预处理可以在不增加模型尺寸的情况下,缩小SNN与传统深度网络之间的准确性差距。

  6. TOOL · CL_366088 ·

    新框架增强联邦学习的拜占庭攻击抵御能力

    研究人员开发了一个名为 Projected Penalty-Gradient Tracking (PPGT) 的新框架,以提高联邦学习在面对拜占庭对手时的效率和弹性。该框架旨在通过让诚实的工作者上传其惩罚梯度的压缩残差,然后服务器将这些残差投影到已知的惩罚梯度球上,来维持拜占庭弹性,即使在压缩上传的情况下也是如此。从该框架派生出了两种算法 FRPG-CS 和 LAG-FRPG,在 MNIST 和 Fashion-MNIST 数据集上的…

  7. TOOL · CL_364181 ·

    新方法提高了训练数据影响估计的准确性

    研究人员开发了一种名为累积SGD-影响估计器 (ACC-SGD-IE) 的新方法,以提高训练数据影响估计的准确性。该技术通过考虑早期数据删除如何影响后续删除的影响来解决现有方法中的偏差。在包括表格、文本和视觉数据在内的各种数据集上进行的实验表明,与标准的SGD-影响估计器相比,ACC-SGD-IE 降低了预测误差并提高了数据清理的有效性。

  8. TOOL · CL_364121 ·

    模拟射频计算实现低能耗语义通信

    研究人员开发了一种新颖的语义通信框架,该框架利用模拟射频(RF)计算来降低边缘设备上语义编码器的能耗和内存成本。该方法涉及将编码器权重作为射频波形从基站广播,然后由客户端的射频接收器前端使用无源混频器处理以计算语义潜在变量。这些潜在变量被传输用于网络侧的任务推理,在MNIST数据库上的模拟显示与传统方法相比,语义失真显著降低。

  9. TOOL · CL_360375 ·

    深度神经网络中的涌现(Grokking)并未改变训练效率动力学

    一项新的研究论文调查了“涌现”(grokking)现象——即深度神经网络在最初看似过拟合后实现了分布外泛化——是否会影响训练效率。该研究分析了两种使用不同精度级别和训练时长的模型,发现涌现并未显著改变训练效率的整体动力学,而训练效率通常表现为平滑下降。尽管观察到涌现导致测试准确性急剧提高,但在过渡点并未导致效率出现明显的局部提升。

  10. RESEARCH · CL_360342 ·

    新研究重新思考AI模型鲁棒性评估

    两篇新研究论文探索了评估AI模型对抗鲁棒性的新方法。第一篇论文《表征几何作为对抗鲁棒性的诊断工具》提出通过分析神经网络的内部表征来理解其鲁棒性,并认为对抗性训练会改变模型组织数据的方式。第二篇论文《超越基于攻击的准确性:通过结构梯度对齐重新思考对抗鲁棒性评估》引入了一种名为结构梯度对齐(SGA)的新指标,用于衡量输入内容与模型敏感度之间的对齐程度,为包括视觉-语言模型在内的各种深度神经网络提供了一种与攻击无关的方法。

  11. TOOL · CL_360210 ·

    Weightless Neural Networks Vulnerable to Adversarial Attacks

    研究人员调查了无权重神经网络(WNNs)在对抗性攻击下的脆弱性,特别关注二值化作为潜在的攻击面。该研究考察了WiSARD(一种典型的WNN)及其变体Bloom WiSARD和BTHOWeN(它们使用Bloom过滤器)。研究结果表明,尽管WNNs可能因其二值性质而显得稳健,但扰动仍可以通过跨越编码阈值来改变预测。在MNIST数据集上的实验表明,编码粒度会影响攻击的成功率;而在入侵检测数据集(如BoT-IoT、CICIDS2017和UNS…

  12. TOOL · CL_360197 ·

    研究发现:大型语言模型可通过权重空间编程注入后门

    一项新研究探讨了权重空间编程(WSP)的安全影响,这是一种允许大型语言模型(LLM)直接修改神经网络权重的方法。研究人员调查了 LLM 是否可以利用 WSP 在没有传统训练方法的情况下向模型注入后门。他们的实验表明,LLM 可以在各种架构中成功引入后门,有时只需进行少量参数更改,同时在很大程度上保持干净的性能。然而,这些攻击的有效性因不同的 LLM 和目标模型而异,GPT-6 Astra 在所有测试的架构中都取得了成功。

  13. TOOL · CL_357745 ·

    新型模拟器助力光子神经网络加速器设计

    研究人员开发了 PISim,一个统一的光子推理模拟器,旨在辅助光子神经网络加速器的设计空间探索。该模拟器整合了各种光学和电子元件的基于物理的模型以及性能损伤算子。PISim 允许在相同的神经网络工作负载下评估不同的加速器架构和技术,从而在物理制造之前优化数值精度和吞吐量等因素。

  14. TOOL · CL_357722 ·

    联邦学习奖励系统权衡:隐私与公平

    研究人员为联邦学习奖励系统开发了两个Solidity智能合约,旨在激励参与的同时维护数据隐私。一个合约根据公开的质量分数分配奖励,而一个注重隐私的版本则使用零知识证明来隐藏个人分数。使用MNIST数据库进行的实验揭示了一种权衡:增强的隐私导致系统鲁棒性下降,并增加了对Sybil攻击等对抗性攻击的脆弱性,最终导致诚实贡献者被排除在外。

  15. TOOL · CL_355454 ·

    初学者分享 MNIST 分类神经网络权重

    一位用户分享了他们为分类 MNIST 手写数字而开发的神经网络的权重。该网络包含两个隐藏层,分别有 64 和 32 个神经元,以及一个有 10 个神经元的输出层。该项目是用户首次涉足机器学习,在 MNIST 数据集上达到了 96.52% 的准确率。

  16. TOOL · CL_352750 ·

    Anthropic 研究揭示“顺势学习”会增强 AI 后门

    Anthropic 和 Truthful AI 的一项新研究揭示了一种被称为“顺势学习”的现象,即用干净的样本稀释中毒数据,反而会增强 AI 模型中的恶意后门。研究人员发现,在图像分类和语言生成等各种任务中观察到的这种效应,发生在干净数据在格式和任务上与中毒数据非常相似,但缺乏特定触发特征时。这表明传统的 डेटा 审计方法可能会忽略隐藏的漏洞,因为看似无害的数据子集在整合到更大的语料库时可能会变得危险。

  17. TOOL · CL_352276 ·

    受章鱼启发的神经元可进行持续学习,性能优于梯度方法

    研究人员开发了一种受章鱼中发现的单极神经元独特结构启发的创新网络模型。该模型采用一种称为再循环的基于奖励的方法进行训练,通过最小化连续任务中的遗忘来实现有效的持续学习。该网络利用“任务代码”来区分不同任务,并利用巩固机制来调整突触学习率,在 MNIST 和 Iris 数据集上性能优于传统的基于梯度的方法。

  18. RESEARCH · CL_351445 ·

    新框架FocusBranch增强神经网络鲁棒性验证

    一篇新论文介绍了一种组合分支定界框架FocusBranch,用于验证神经网络对$\ell_0$扰动的鲁棒性。该方法通过使用包含焦点像素集和层参数的节点抽象来分解问题,从而解决组合挑战。FocusBranch通过线性松弛证明节点安全性,并采用动态分支策略,跨层采样节点以优化验证时间。在MNIST、Fashion-MNIST和CIFAR-10的各种分类器上的实验表明,其有效性优于现有验证器。

  19. TOOL · CL_348694 ·

    分级卷积网络提供尺度不变性和模糊鲁棒性

    研究人员开发了分级卷积网络,可在无需显式尺度归一化的情况下实现尺度不变性,并提高对未知模糊的鲁棒性。这些网络利用了对分级加权球体的收缩,该收缩分离了传统径向归一化无法处理的图像族。在MNIST数据库上的实验表明,即使在显著模糊的情况下,这些网络也能保持高精度,其性能优于依赖尺度归一化导数的网络。

  20. TOOL · CL_348422 ·

    带归一化的深度神经网络可能出现指数级Lipschitz爆炸

    一篇新发表在arXiv上的论文探讨了深度神经网络中“Lipschitz爆炸”的现象,特别是那些包含批量归一化等归一化层的网络。研究表明,即使对每层进行严格的范数控制,这些网络的整体Lipschitz常数也会随着深度的增加呈指数级增长。这种指数级增长可能会破坏优化保证,并使基于Lipschitz的泛化和鲁棒性证书失效。论文还提出,这种爆炸机制会加剧对抗性脆弱性,在MNIST和CIFAR-10等数据集上的实验支持了这样的预测:产生新的奇异…