MNIST database
PulseAugur coverage of MNIST database — every cluster mentioning MNIST database across labs, papers, and developer communities, ranked by signal.
- instance of CIFAR-10 90%
- used by Quantum Machine Learning 90%
- used by Fashion-MNIST 80%
- used by dSprites 80%
- used by CIFAR-10 70%
- instance of Fashion-MNIST 70%
- instance of CIFAR-100 70%
- used by CIFAR-100 70%
- used by ScienceCast 70%
- used by alphaXiv 70%
- used by Gotit.pub 70%
- used by federated learning 70%
19 天有情绪数据
-
在科学计算器上训练的分类模型达到 98.96% 的准确率
一位用户完全在一台 Casio FX-82CE X 科学计算器上训练了一个分类模型，该计算器不可编程或图形化。该模型旨在对缩小到 3x3 二进制像素的 MNIST 图像进行分类，并使用单个输出神经元来确定分类。模型最初通过手动训练六张图像，达到了 67.04% 的验证准确率。使用 SGD 训练 1000 个 epoch 后，验证准确率达到了 98.96%。
-
深度人工免疫网络实现无重放视觉记忆
研究人员开发了一种使用深度人工免疫网络（AINs）的无监督视觉类别增量学习的新方法。该方法采用结构化、无梯度的免疫亲和力，将视觉B细胞形式化为捕捉空间关系的结构化模板。该系统展示了自适应的潜在坐标重组，允许网络在不进行数据重放或通过免疫层进行反向传播的情况下，在保留先前学习类别的记忆的同时演化其表示空间。在多个基准数据集上的实验显示，平衡准确率显著提高，突显了结构化亲和力和响应图保存对于有效视觉记忆的重要性。
-
新方法在深度学习训练期间自适应选择优化器
研究人员开发了一种名为重复优化器重采样（ROR）的新方法，以改进深度神经网络训练的优化器选择。ROR 不在训练开始时选择单一优化器，而是允许系统在训练过程中自适应地切换优化器。这种方法包括候选优化器的定期侦察，表现最佳的侦察员将继续进行主要的训练运行。在包括 MNIST 和 Fashion-MNIST 在内的各种数据集上的评估表明，ROR 变体在所需的总训练时间显著减少的情况下，达到了接近最佳固定优化器的性能。
-
新的隐私技术通过噪声锚点增强协作学习
研究人员开发了一种名为“带噪声锚点对齐的几何数据扰动”的隐私保护协作学习新方法。该技术旨在保护个体参与者的数据，同时实现有效的模型训练。与直接对私有数据添加噪声相比，所提出的方法将噪声添加到锚点表示中，这提高了学习准确性并减少了数据泄露，如在 MNIST 和 CelebA 数据集上的实验所示。
-
将物理学理论应用于扩散模型以分析信息传播
研究人员将有效场论（一种高能物理学工具）的原理应用于卷积架构的评分匹配扩散模型。该方法将去噪过程视为与布朗运动类似。研究表明，这些模型中点之间的互信息增长方式符合有效场论的预测，并在一个玩具示例和MNIST数据集上得到了验证。
-
新方法实现了 OWL 2 DL 本体上的神经符号学习
研究人员开发了一种新颖的神经符号学习方法，该方法将 OWL 2 DL 本体与可微分电路相结合。该方法名为 Baobab，将本体编译为句子决策图 (SDDs)，以实现感知网络的训练。该系统成功使用 CNN 识别 MNIST 数字，证明了恢复潜在本体概念和缓解非 Horn 描述逻辑中的推理捷径的能力。
-
新的神经架构搜索（NAS）方法优化神经网络的紧凑性和性能
研究人员开发了一个新的神经架构搜索（NAS）框架，该框架使用连续松弛来更有效地优化神经网络架构。这种方法，包括NAS-NG和NAS-MA等方法，允许在复杂、组合式搜索空间上进行可微分优化。在MNIST和CIFAR-10数据集上使用MLP和CNN模型进行的实验表明，这些方法可以识别出具有竞争力或改进的预测性能的紧凑型架构，其性能优于DARTS等现有方法，并减少了参数数量。
-
多任务深度学习的新算子理论界
研究人员为深度多任务学习模型开发了算子理论泛化界。该方法将网络层表示为向量值再生核希尔伯特空间中的Koopman组合算子。该方法为特定的网络架构产生了Rademacher复杂性界，并区分了输出耦合和层算子范数的贡献。研究还探讨了一维布朗/Cameron--Martin模型，提供了不依赖于Sobolev光滑指数的层界。
-
新的Moose方法增强了OWL 2 EL本体的神经符号学习
研究人员开发了Moose，一种新颖的神经符号学习方法，专为OWL 2 EL配置文件设计，该配置文件用于大型本体，如Gene Ontology和SNOMED CT。与处理命题理论或Datalog的先前方法不同，Moose解决了本体设置中的推理捷径意识问题。该方法将OWL EL TBoxes和ABoxes编译成Sentential Decision Diagrams，实现了可微分的加权模型计数，并通过闭包子句克服了部分监督的表达能力限制。…
-
新的FQTree算法优化增强决策树以进行硬件部署
研究人员开发了FQTree，一种用于增强决策树（BDTs）的细粒度感知量化训练的新型算法。该方法与用于自动硬件生成的QXGB框架相结合，能够更有效地在延迟敏感型应用中部署BDTs。与现有的基于FPGA的BDTs设计相比，FQTree的面向硬件的叶值量化方案将LUT使用量减少了26-57%，同时在JSC、MNIST和NID等基准测试中保持或提高了准确性。
-
新的CosMAP方法改进了复杂数据的降维
研究人员开发了CosMAP，一种新的无监督降维方法，旨在为复杂、高维数据集创建忠实且可解释的嵌入。CosMAP通过结合余弦相似性邻域和对比亲和力来扩展UMAP框架，并通过吸引-排斥目标进行优化。该方法包括一个两阶段的精炼过程，首先学习一个中间高维表示来重建邻域图并初始化最终的低维嵌入。在包括手写数字、单细胞RNA测序数据和谱系信息在内的数据集上的评估表明，与现有的最先进方法相比，CosMAP产生了更连贯的视觉表示、更好的邻域保持和更清…
-
FQTree算法实现增强决策树的高效硬件部署
研究人员开发了FQTree，一种用于增强决策树（BDTs）的细粒度感知量化训练的新型算法。该方法与用于自动硬件生成的QXGB框架相结合，解决了在延迟敏感应用中高效部署BDTs的挑战。FQTree采用面向硬件的叶值量化方案，可降低硬件成本并保持或提高准确性，与现有设计相比，在FPGA上显著减少了LUT使用量。
-
量子计算进展：基础模型和高效神经网络解决复杂问题
研究人员开发了两种不同的量子计算方法来解决复杂问题。一种名为“Hamilton-Zero”的神经张量网络基础模型，旨在计算任意二次量子比特哈密顿量的基态，并采用来自大型语言模型（LLM）和深度强化学习的技术进行训练。另一种是单量子比特量子神经网络（SQQNN），它利用参数化酉算符和一种新颖的高效训练方法，在MNIST和Wisconsin Breast Cancer等数据集上实现了有效的回归和分类。
-
新的ELVAE模型增强了VAE中的不确定性感知生成能力
研究人员开发了ELVAE，一种新的变分自编码器，它结合了证据学习，以更好地区分潜在表示中的不确定性及其周围的可变性。这种方法允许在生成过程中显式控制潜在位置的不确定性，从而能够创建更可靠的合成样本，或通过利用高不确定性锚点来对模型进行压力测试。在MNIST生成上的初步实验表明，这种学习到的不确定性可以有效地区分生成数字的语义可靠性，为不确定性感知生成提供了一个实用的控制变量。
-
经典 SU(2) 模型在视觉任务上优于量子电路
一篇新的研究论文在各种视觉基准测试上比较了经典 SU(2) 模型与变分量子电路 (VQC)。研究发现，四元数神经网络（一种经典 SU(2) 模型）在 MNIST、Fashion-MNIST 和 CIFAR-10 等数据集上的表现与浅层 VQC 相当或更好。虽然四元数网络保持了很高的实值网络性能百分比，但 VQC 显示出较低的准确率和较高的计算成本，这表明对于缺乏内在量子结构的任务，经典 SU(2) 几何可以作为浅层量子电路的有效替代方案。
-
新方法使用概率电路改进分布外检测
研究人员开发了一种使用概率电路（PCs）检测分布外（OOD）数据的新方法。这种方法被称为分层似然向量（HLV）和分层似然距离（HLD），它利用PCs的内部分层结构，而不仅仅是根似然。HLD度量通过检查其HLVs的期望来比较概率分布，提供了一种积分概率度量。这种方法允许训练好的PC本身代表分布内数据，消除了部署期间对预留数据的需求，并能够精确计算OOD检测度量。
-
受生物启发的D-SNN架构提高了效率和透明度
研究人员开发了一种可分解脉冲神经网络（D-SNN），它通过将分类路径隔离成独立的专家来模仿生物神经系统，从而避免了全局纠缠。这种模块化架构在MNIST和CIFAR-10等基准测试中达到了具有竞争力的准确率，同时使用的参数显著减少，并且运行时的脉冲率较低。D-SNN的设计还提供了对灾难性遗忘的内在保护，并提供可审计的神经信号，使其适用于资源受限的边缘环境。
-
新的动态增益缩放方法可减小持续学习中的稳定性差距
研究人员引入了一种新颖的动态增益缩放机制来解决持续学习中的稳定性差距问题。该方法受大脑神经调质爆发的启发，旨在通过暂时增加更新幅度并重新参数化权重来平衡任务转换期间的可塑性和稳定性。在 MNIST、CIFAR 和 mini-ImageNet 基准测试上的实验表明，该技术在不损害准确性的情况下有效减小了稳定性差距，增强了转换期间的鲁棒性。
-
新的攻击通过标签翻转和过采样来针对联邦GAN
研究人员详细介绍了针对生成对抗网络（GAN）的联邦学习设置的新型对抗攻击。这些攻击涉及恶意客户端在本地训练期间通过翻转标签或对有毒样本进行过采样来操纵数据。目的是扭曲全局生成器的输出，使其将目标标签映射到错误的类别。该研究使用Kullback-Leibler散度量化了影响，表明虽然语义损害随中毒强度线性增加，但与真实分布的偏差呈二次方增长，这使得检测变得困难。
-
Stream Learning 协议提供强大的分布式人工智能训练
研究人员开发了一套名为 Stream Learning 的新协议，用于分布式人工智能模型训练，旨在提高流言学习的效率和公平性。这些协议受到点对点直播的启发，为现有的分区令牌流言学习 (PTGL) 方法提供了一种替代方案。其中一个特定协议 Ri 在无故障场景下与 PTGL 性能相当，并在节点被移除的对抗条件下表现优于 PTGL，展示了其鲁棒性。