MNIST database
PulseAugur coverage of MNIST database — every cluster mentioning MNIST database across labs, papers, and developer communities, ranked by signal.
- instance of Fashion-MNIST 90%
- used by Quantum Machine Learning 90%
- used by CIFAR-10 70%
- used by Fashion-MNIST 70%
- used by CIFAR-100 70%
- used by federated learning 70%
- used by rectifier 70%
- used by variational auto-encoder 70%
- instance of The Street View House Numbers Dataset 70%
- instance of Celeba 70%
- used by Spiking neural networks 70%
- used by SGD 70%
23 天有情绪数据
-
量子GAN无需技巧即可生成全分辨率图像
研究人员开发了一种新颖的量子生成对抗网络（qGAN），能够从MNIST和Fashion-MNIST等经典数据集中生成全分辨率图像。该方法通过直接将完整的图像数据加载到量子计算机上，避免了降维或使用多个模型的需要。该系统为单个端到端量子生成器树立了新的最先进水平，并展示了在Street View House Numbers等数据集上生成彩色图像的潜力。该架构的归纳偏倚和增强的噪声输入技术是其在图像生成中性能和多样性的关键，即使在量子散粒…
-
新的FedCVESA攻击窃取联邦学习模型中的私有数据
研究人员开发了FedCVESA，一种在联邦学习环境中进行“窃取训练数据”（TATD）攻击的新颖方法。这种白盒攻击针对特定客户端，将私有训练数据编码到模型参数（称为载体参数）中。为了对抗联邦学习中标准服务器聚合过程中发生的覆盖问题，FedCVESA采用了分段聚合，保留了这些关键的载体参数，同时允许其余参数进行正常平均。在MNIST和CIFAR-10等数据集上的实验表明，即使在非独立同分布（non-IID）数据分布下，FedCVESA也能…
-
新的PGA-DPS方法增强了主动概率子采样，以改进数据处理
研究人员开发了一种名为先验感知和上下文引导分组主动DPS（PGA-DPS）的新方法，以改进主动概率子采样。该技术通过结合数据集先验和采用基于分组的采样来增强现有的主动深度概率子采样（A-DPS），这在理论上可以带来更稳健的优化。PGA-DPS在MNIST、CIFAR-10和fastMRI等数据集的分类、图像重建和分割任务上进行了评估，其性能始终优于以前的方法。
-
混合量子-经典扩散模型用于图像生成
研究人员开发了一种用于图像生成的混合量子-经典扩散模型，将经典自编码器与量子去噪扩散概率模型（MSQuDDPM）相结合。该方法通过自编码器降低数据维度，使量子模型能在更小的潜在空间中运行，从而解决了纯量子模型的局限性。该方法通过直接预测干净状态来简化反向动力学，并在MNIST图像生成任务上进行了演示。
-
新框架使用逆偏微分方程进行流形上的监督学习
研究人员开发了 Intrinsic Green's Learning (IGL)，一个用于流形上监督学习的新框架。IGL 通过从数据中学习源项，将目标函数建模为线性偏微分方程 (PDE) 的解。该方法通过发现低维坐标图和分解积分来高效处理高维数据，在 MNIST 等数据集上实现了接近最优的分类，同时识别了流形的内在维度。
-
BitLogic框架统一了FPGA原生神经网络的训练
研究人员开发了BitLogic，一个统一的框架，旨在标准化利用布尔逻辑运算而非传统乘加运算的梯度下降型神经网络的训练和评估。该框架允许将单个训练好的检查点部署到GPU、FPGA和ASIC上，解决了当前训练流水线和硬件报告惯例的碎片化问题。通过系统地分析设计空间，BitLogic识别出一种最优配置，在准确性和效率方面均优于以往的方法，在FPGA上实现了比GPU显著更高的吞吐量和更低的能耗。
-
新框架通过状态分析对深度神经网络进行经验性压缩
研究人员开发了一种通过分析其内部状态的可控性和可观测性来压缩深度神经网络的新颖方法。该框架将训练好的网络视为动力学系统，使用数据驱动的测试来估计隐藏状态内的冗余度。该方法成功地减小了MNIST和CIFAR-10数据集上网络的态阶，在状态和参数方面实现了显著压缩，同时在很大程度上保持了准确性并提高了推理速度。
-
新方法赋能物理生成模型学习
研究人员开发了一种使用局部学习规则来训练基于分数的生成模型（SGM）的方法，这些规则可以从物理测量或观察到的系统动力学中推导出来。该方法通过将其应用于驱动振荡器网络以从二维高斯混合模型中采样，以及更重要的是，从MNIST数据集中生成手写数字0和1的图像来得到验证。研究表明，通过这些局部化学习机制可以简化SGM的复杂训练协议。
-
新求解器加速图 $p$-拉普拉斯半监督学习
研究人员开发了一种新颖的图 $p$-拉普拉斯半监督学习求解器，该求解器实现了近线性时间复杂度。这种新方法解决了现有求解器的局限性，尤其是在 $p$ 值较高时系统可能变得病态的问题。通过在 $p$ 中采用连续性方法和阻尼弦牛顿法，该求解器保持了良态系统，与直接分解方法相比，实现了显著的加速和更低的内存使用。该方法在大规模图族和 MNIST 等基准数据集上表现出改进的性能，优于标准的二次方 ($p=2$) 方法。
-
Lyapunov 引导训练增强硬件安全神经网络
研究人员开发了一种新的神经网络训练方法，该方法特别适用于使用定点算术的硬件部署。这种方法被称为 Lyapunov 引导训练，通过使用 Lyapunov 函数监控隐藏状态能量并应用单调投影来解决低精度网络中的激活溢出问题。在使用基于块的 Transformer 在 MNIST 数据集上进行的评估表明，该技术显著抑制了溢出率，并实现了稳定的学习，在 12 位精度下达到了 86.55% 的准确率。
-
新研究揭示了人工智能模型如何隐秘地通过几何对齐传播特征
研究人员在机器学习模型中展示了一种称为隐秘特征传播（CTP）的现象，即学生模型即使在用随机噪声训练的情况下也能继承教师模型的能力。这种转移不仅通过信息，还通过网络内部表示的几何对齐来实现，特别是输出投影 W_2 作为公共坐标键。实验表明，共享初始化至关重要，操纵特定网络层可以启用或禁用此特征传播，这表明对模型如何学习和转移知识有了更深入的机制理解。
-
新的贝叶斯深度学习方法增强了可解释性和模型压缩能力
研究人员引入了一种名为输入跳跃潜在二值贝叶斯神经网络（ISLaB）的新方法，以增强深度学习模型的可解释性并降低其复杂性。该方法允许协变量跳过层或被排除，从而简化网络结构并更清晰地了解输入如何影响预测。ISLaB 显著降低了网络密度，实现了超过 99% 的压缩率，同时保持了高准确性和预测不确定性，并在 MNIST 数据库等基准测试中展示了最先进的压缩效果。
-
新框架利用梯度信息增强认证鲁棒回归 · 跟踪到2个来源
研究人员开发了一个新的认证鲁棒回归框架，解决了现有方法的局限性。这种新颖的方法提供了一个以预测为中心的证书，确保了平滑模型预测的稳定性，并且便于实时计算。在MNIST旋转任务上的实验表明，与alpha-smoothing等当前最先进的技术相比，结合梯度信息可以获得更严格的鲁棒性证书。
-
新的无监督方法为Siamese网络设定验证阈值
研究人员开发了一种新颖的无监督方法，用于确定Siamese验证网络中的验证阈值。该方法假设网络产生的距离分布可以用双峰函数近似，并识别两个峰值之间的最低点来设定阈值。该方法无需手动标记，允许在部署环境中动态更新阈值。在MNIST和CIFAR-10等数据集上的评估显示，平均验证准确率为94%，与等错误率方法相当。
-
自旋电子学模拟用于图像识别，性能媲美软件
研究人员开发了一种使用模拟自旋电子元件进行图像识别的新颖方法，特别是基于涡旋的自旋转移矩振荡器（STVO）。该方法通过数据驱动的Thiele方程方法（DD-TEA）进行模拟，无需进行大量的实验操作即可进行超参数调整和基准测试。将STVO动力学集成到极限学习机（ELM）中，并成功应用于MNIST、EMNIST-letters和Fashion MNIST数据集。模拟表明，STVO的非线性动力学可以实现与ReLU和sigmoid等传统软件激…
-
新方法量化量化对神经网络分类器决策边界的影响
研究人员开发了一种名为边界感知量化（Boundary-Aware Quantization）的新方法，用于分析量化如何影响神经网络分类器的决策边界。该技术使用局部对数边距半径（local logit-margin radii）和边界雅卡德距离（boundary Jaccard distance）等指标来量化边界的变化。在数字数据集（digits dataset）和CIFAR-10等基准测试上的实验表明，与标准的以准确率为中心的量化方法…
-
新的 Python 包 Q-GAIN 简化了冷原子实验的机器学习分析
发布了一个名为 Q-GAIN 的新 Python 包，旨在简化机器学习和物理信息分析技术在冷原子实验中的应用。该包促进了模块化工作流程，从数据加载和预处理开始，然后进行基于机器学习的特征识别，最后以传统分析方法结束。Q-GAIN 的功能通过诸如对 MNIST 数据集中的手写数字进行分类、检测孤子激发以及识别原子玻色-爱因斯坦凝聚体中的量化涡旋等任务得到证明。
-
新的训练策略增强了SSL-GANs，以提高分类和生成能力
研究人员开发了一种新颖的基于种群的进化训练策略，用于半监督生成对抗网络（SSL-GANs），以解决训练不稳定的问题。该方法将判别器学习视为一个多目标优化问题，通过维护一个按帕累托优势排序的判别器种群来平衡分类准确性和真/假判别。在标记数据有限的MNIST数据集上的实验表明，与现有的SSL-GAN基线相比，该方法提高了训练鲁棒性和分类准确性，尤其是在采用该策略的精英变体时。
-
新的误差扩散方法实现了生物学上可行的AI学习
研究人员开发了一种名为模数误差路由的新方法，用于将误差扩散（ED）扩展到符合Dale原则的生物学上可行的双流神经网络中。该方法能够有效地处理监督分类和强化学习任务中的信用分配问题。在MNIST数据集上，该方法实现了96.7%的准确率；在CIFAR-10分类任务上，基线准确率为61.7%；同时，与近端策略优化（PPO）结合时，在强化学习任务中也表现出有竞争力的性能。研究通过对不同数据集进行消融分析，揭示了信用分配中与任务相关的瓶颈。
-
新框架通过加权客户端贡献改进个性化联邦学习
研究人员开发了 SP-CACW，一个用于个性化联邦学习的新框架。该方法旨在通过智能加权同伴梯度来改善个体客户端的学习成果。SP-CACW 明确最小化目标客户端的收敛误差，使其能够为可能对其学习过程产生负面影响的客户端分配零权重。该框架在 MNIST、CIFAR-100 和 LEAF Shakespeare 等数据集上展示了与现有个性化和聚类基线相比具有竞争力或更优的性能。