MNIST database
PulseAugur coverage of MNIST database — every cluster mentioning MNIST database across labs, papers, and developer communities, ranked by signal.
- used by Spiking neural networks 90%
- used by Quantum Machine Learning 90%
- used by Variational Autoencoders 80%
- used by dSprites 80%
- used by CIFAR-10 70%
- instance of Fashion-MNIST 70%
- instance of CIFAR-10 70%
- used by Fashion-MNIST 70%
- used by DagsHub 70%
- used by CIFAR-100 70%
- used by ScienceCast 70%
- used by alphaXiv 70%
16 天有情绪数据
-
量子变分自编码器在解耦表示学习方面展现出潜力
研究人员探索了量子变分自编码器（QVAE）学习解耦且可解释的潜在表示的潜力，这对于理解复杂的科学数据至关重要。该领域的一个重大挑战是在由量子比特跨越的指数级大的希尔伯特空间中定义和分离单个量子潜在维度。这项工作提供了理论见解和经验证据，通过使用合成问题和MNIST变体，证明了QVAE确实可以发现因子化的潜在表示，其中单个量子比特可以作为有意义的潜在因子。
-
新的ATLAS框架可高效发现AI模型的对抗性输入集
研究人员开发了ATLAS（自适应信任区域用于潜在对抗性搜索），一个新颖的基于查询的框架，旨在高效地发现可能导致黑盒学习系统失败的对抗性输入集。ATLAS将攻击生成构建为主动学习的水平集估计问题，结合了校准近似和局部-全局采样架构，以识别包含对抗性示例的输入空间区域。该方法旨在构建代表性的对抗性集合，准确反映目标模型的鲁棒性，在MNIST、CIFAR和ImageNet等标准和对抗性训练模型上优于现有的基于查询的黑盒攻击。
-
MetaLearnNCA: 去中心化的少样本元学习与神经元胞自动机
研究人员推出 MetaLearnNCA，一个利用交互式神经元胞自动机 (NCAs) 的少样本元学习新框架。这种去中心化方法在推理时无需解析梯度即可适应新任务，而是依赖于耦合 NCAs 的动力学交互。MetaLearnNCA 在分布内任务上表现出竞争力，并在各种数据集上显示出显著的分布外迁移增益，在少样本场景中优于传统元学习器。
-
果蝇哈希算法在果蝇连接组上的测试
研究人员将最初于2017年提出的“果蝇哈希算法”与四个果蝇嗅觉回路的电子显微镜连接组进行了测试。研究发现，当使用SIFT、MNIST和气味混合物实现时，该算法在短编码长度下仍优于经典的局部敏感哈希（LSH）。然而，这种优势似乎源于活动细胞的数量而非计算操作，并且在果蝇连接组中观察到的特定连接模式并未提供比保持度随机重连更一致的检索优势。研究表明，果蝇哈希算法的有效性不需要精确的连接组数据。
-
受果蝇连接组启发的FlyVision模型展现出强大的视觉性能
研究人员开发了ConnectomeX，一种受果蝇视觉连接组启发的、可训练的架构，旨在改进通用计算机视觉。该模型名为FlyVision，保留了并行ON/OFF处理和循环计算等生物处理元素。FlyVision在MNIST、CIFAR-10和ImageNet-1K等各种基准测试中表现出具有竞争力，且参数量通常远少于ResNet18等成熟模型。此外，FlyVision已被应用于生物医学成像任务，在皮肤病分类和从脑部MRI扫描预测年龄方面显示出潜力。
-
新研究探索神经符号AI集成与可解释性
两篇新研究论文探讨了符号推理与神经网络的集成。第一篇论文《神经符号AI的基于规则的语言》调查了Datalog和概率逻辑程序等现有的基于规则的语言，并分析了它们在各种AI领域的应用。第二篇论文介绍了CRISP，一个将神经网络的决策过程重构为可解释子句的框架，从而实现了从输入特征到输出的符号追踪。
-
MLP 模型使用固定边缘检测进行手写字符识别
研究人员开发了一种用于手写字符识别的基线模型，该模型结合了简单的多层感知器 (MLP) 和固定的 Sobel-Feldman 算子。该方法将边缘提取过程与学习到的分类分开，在将图像输入 MLP 之前，将其转换为水平和垂直导数图。该模型在 MNIST 数据集上达到了 98.54% 的准确率，在 EMNIST Letters 数据集上达到了 92.50% 的准确率，证明了一阶梯度在保留判别性结构方面的有效性，同时也突显了仅依赖边缘几何形状…
-
新的“视界损失”方法通过交叉熵提高了分类器精度
一篇新研究论文介绍了一种名为“视界损失”（horizon loss）的新方法，作为训练分类器的交叉熵替代方案，特别是在强化学习和大型语言模型的背景下。该方法旨在通过考虑学习更新的长期影响，而非仅仅是即时收益，来提高准确性。在MNIST和ImageNet数据集上使用ResNet和ViT等各种架构进行的实验表明，与标准的交叉熵相比，其Top-1准确率有所提高，并且在存在噪声标签的情况下，收益会增加。
-
新的“Cordial Learning”方法解决了分布式人工智能训练中的相关数据问题
研究人员推出了一种新颖的分布式机器学习方法“Cordial Learning”，该方法专为数据在代理之间存在相关性的场景设计。与现有在处理此类相关性时遇到困难的联邦学习方法不同，Cordial Learning 允许代理共享低维输出，从而在保护隐私和降低通信开销的同时，促进本地模型的训练。理论分析表明，该方法可以收敛到全局最优解，并且在多位数 MNIST 任务上的实验结果证明了其在复杂非线性设置下的有效性。
-
新的回拉几何方法增强了多模态数据表示
研究人员开发了一种新的多模态数据回拉几何方法，该方法利用潜在高斯混合模型。该方法旨在通过允许数据点之间的路径比单模态高斯方法更有效地穿越高似然区域来提高几何表示的统计意义。新几何由基于分量精度的黎曼度量定义，已在自适应学习混合分量的归一化流中实现，在包括 MNIST 在内的各种数据集上显示出更少的传输失真和更真实的插值。
-
自动化框架EXAQC演进量子电路用于图像分类
研究人员开发了一个名为EXAQC的进化框架，用于自动发现用于图像分类任务的最佳量子电路架构。该框架将参数化量子电路（PQC）与经典神经网络相结合，解决了为特定应用手动设计量子电路的挑战。EXAQC在MNIST、Fashion-MNIST和CIFAR-10等数据集上表现出色，在可训练参数数量远少于传统CNN的情况下实现了高精度。
-
Kolmogorov-Arnold网络在扩展性、偏微分方程和可解释性方面展现出潜力 · 跟踪3个来源
研究人员正在探索Kolmogorov-Arnold网络（KANs）的能力和理论基础，这是一种替代传统多层感知器（MLPs）的方法。一项研究调查了KANs的神经扩展定律以及它们的可学习激活函数如何随着数据集的扩展而演变，发现图像分类和科学回归任务具有不同的扩展行为。另一篇论文将KANs应用于求解自由边界偏微分方程，证明了与物理信息神经网络相比，它们在准确解析复杂区域和界面方面的有效性。第三篇论文通过检查Fisher Simplicity…
-
新框架CAIRN为机器学习表征地标提供认证近似
研究人员开发了CAIRN，一个旨在为机器学习模型中可解释表征地标提供认证近似的新框架。该框架解决了在对影响自监督表征的训练地标进行排序时使用的多个近似所产生的累积误差。CAIRN的新颖方法精确跟踪误差传播，提供高概率的Top-K证书，并识别近似预算的最佳区域。与现有方法相比，该系统在准确性和收敛速度方面表现出显著的改进，尤其是在MNIST等数据集上。
-
新的前向目标传播方法为反向传播提供了替代方案
研究人员推出了一种新颖的神经网络训练方法——前向目标传播（FTP），该方法绕过了传统反向传播算法。FTP 利用仅前向传播来局部分配误差信用，使其在生物学上更合理，并且对硬件更有效。初步评估表明，FTP 在 MNIST、CIFAR-10 和 CIFAR-100 等标准数据集上实现了具有竞争力的准确性，同时在低精度环境中也表现出卓越的性能，并具有在设备上进行节能学习的潜力。
-
新型软支配层探索逐坐标神经网络计算
研究人员引入了一种新颖的软支配层，作为神经网络中传统仿射变换的替代方案。该层使每个输出单元能够将输入坐标与可学习的参考向量进行比较，并聚合平滑的不等式响应。虽然初步的 MNIST 实验显示软支配层的准确率高达 0.9173（通过退火），但仍低于标准多层感知机基线实现的 0.9827。该研究表明，学习到的参考向量显示出空间结构，预示着结构化学习的潜力，但需要对更广泛的数据集和多个种子进行进一步实验，以确认其鲁棒性和实际效用。
-
新的Aegis技术增强了医学人工智能联邦学习的隐私性
研究人员开发了一种名为Aegis的新型隐私保护技术，用于医学人工智能中的联邦学习。该方法旨在通过在训练过程中掩盖梯度来保护敏感的患者数据，防止模型反演攻击。Aegis通过将合成梯度叠加到真实更新之上来实现这一点，有效地增加了超出已知攻击能力范围的批次大小，同时不损害诊断准确性或改变联邦学习协议。在MNIST、CIFAR-10和MedMNIST等数据集上的评估表明，Aegis在保持模型效用的同时，能有效中和最先进的攻击。
-
机器学习研究探索对抗性训练以增强鲁棒性 · 跟踪 5 个来源
该机器学习论文集探讨了对抗性训练的各个方面。研究调查了对抗性噪声如何影响分类器鲁棒性，比较了不同的分布式训练算法及其在逃避局部最小值方面的效率。此外，一篇论文引入了一种对抗性训练的概率方法，另一篇则提出了一种包含字典结构的新型网络架构，以增强鲁棒性和泛化能力。这些研究共同旨在提高机器学习模型抵御复杂攻击的弹性。
-
新的脉冲神经网络架构增强了图像和事件流处理 · 跟踪3个来源
研究人员开发了一种新颖的脉冲神经网络（SNN）架构，称为多深度时间融合（MDTF），旨在通过首次脉冲到达时间延迟来处理静态图像和事件流。这种新设计集成了类似残差的连接和多深度特征聚合，在对齐时保留早期时间证据，同时纳入更深层的特征。MDTF框架在多个基准数据集上得到了验证，包括MNIST、Fashion-MNIST、CIFAR-10和N-MNIST，在完全局部学习机制下展现出强大的分类性能，并在变异性更高的任务上优于传统的STDP/R…
-
新的代数框架有助于神经网络特征解释
研究人员引入了一个代数框架，以更好地理解神经网络在分类任务中捕获的特征。该框架建立了神经网络与“神经理想”之间的对应关系，并提供了计算和近似它们的算法。该方法已应用于解释每个隐藏层神经元内的特征，并在 MNIST 数据集上进行了实际演示。还开发了一个交互式软件工具来可视化这些捕获的特征。
-
EvE 优化器为神经网络搜索提供比 Adam 更快的替代方案
研究人员推出了一种名为 EvE (Evolutionary Explorer) 的新型优化器，旨在成为神经网络中超参数和架构搜索比 Adam 更快的替代方案。EvE 采用基于种群的差分进化方法，并结合了有针对性的 Adam 回退机制，显著降低了每次迭代的成本，同时保持了具有竞争力的性能。在对各种基准测试和神经网络任务的评估中，EvE 证明了搜索完成时间的缩短，以及与 Adam 相当或略低的最终质量，使其成为预算受限优化场景的有前途的工具。