Neural architectures for adaptive behavior
PulseAugur coverage of Neural architectures for adaptive behavior — every cluster mentioning Neural architectures for adaptive behavior across labs, papers, and developer communities, ranked by signal.
-
新协议改进了钙钛矿太阳能电池的机器学习评估
为解决现有随机划分方法中数据重复的问题，开发了一种用于评估钙钛矿光伏中机器学习模型的新协议。该溯源分组协议逐步分离重复的设备、出版物和机构，从而对真实的物理泛化能力进行更严格的评估。对十三种模型的基准测试显示，虽然树集成模型在熟悉的数据上表现良好，但神经网络架构在评估真正未见过的数据和未来发现时表现出色，这凸显了设备架构和制造方法以及吸收剂化学的重要性。
-
新方法增强了对神经网络的基于频率的对抗性攻击
研究人员提出了一种新的频率域对抗性攻击生成方法，该方法利用了神经网络的光谱敏感性。这种方法被构建在一个专门的优化框架内，该框架包含一个与非正交变换相关的扰动约束集。攻击被生成为加权的 $\ell_2$ 投影，为攻击生成提供了一种受控机制，并具有清晰的几何表征。在标准化数据集上的评估表明，这些攻击对各种预训练和对抗性鲁棒模型都有效，为分析基于变换的攻击提供了一个潜在的理论基准。
-
多任务学习在预测性流程监控方面展现出潜力
一项新研究探讨了多任务学习（MTL）在预测性流程监控（PPM）中的潜力，PPM 是一个预测组织流程展开的领域。尽管深度学习已推动了 PPM 的发展，但大多数现有方法都使用单任务学习（STL），效率低下且错失了潜在的协同效应。本研究提出了首个针对 PPM 的 MTL 全面实证研究，评估了各种任务组合、神经架构和优化方法。研究结果表明，MTL 在下一活动预测方面提供了实质性改进，并能有效缓解类别不平衡问题，其中任务平衡对于低容量模型尤为关键。
-
新的TPR-Attention机制增强了深度学习中的组合泛化能力
研究人员开发了一种名为TPR-Attention的新型架构组件，旨在提高深度学习模型的组合泛化能力。该机制通过在张量积表示（TPR）上应用注意力机制来嵌入结构化归纳偏置。在组合任务上的实验表明，TPR-Attention在组合泛化方面优于现有的架构组件，为实现具有更系统泛化能力的模型提供了潜在途径。