实体
Real-Time Recurrent Learning
Real-Time Recurrent Learning
PulseAugur coverage of Real-Time Recurrent Learning — every cluster mentioning Real-Time Recurrent Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
AI模型学会无需监督即可从传感器偏移中自我修复
研究人员开发了一种新颖的方法，使循环神经网络集成能够实时地、无需监督地进行自我修复并适应分布偏移。该方法使用一种集成，其中每个网络处理观察值的掩码子集，并通过顺序卡尔曼融合组合它们的输出。这种共识随后充当自监督标签，用于微调单个网络，使它们在传感器故障或漂移后能够恢复接近原始的性能，优于标准集成。
-
新的tPC-RTRL方法学习循环系统中的长距离依赖
研究人员开发了一种名为时间预测编码结合实时循环学习（tPC-RTRL）的新方法，以增强循环神经网络的学习能力。该方法通过引入一个考虑长距离时间依赖的在线影响矩阵，克服了标准时间预测编码的局限性，而长距离时间依赖对于需要长时间信用分配的任务至关重要。研究表明，tPC-RTRL方法能够精确复制反向传播随时间反向传播的梯度，并在包括语言建模和翻译在内的各种基准测试中展现出近乎等效的性能，同时还为实时应用中的学习和过滤提供了一个统一的框架。