Saptarshi Bej
PulseAugur coverage of Saptarshi Bej — every cluster mentioning Saptarshi Bej across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的监督赫布学习算法用于脉冲神经网络，性能优于STDP
研究人员开发了一种新的无梯度监督学习算法，用于脉冲神经网络（SNN），称为监督尖峰一致性依赖可塑性（Supervised SADP）。该方法直接将类别信息嵌入赫布可塑性计算中，这与先前使用奖励调制的做法不同。在基准数据集上，Supervised SADP 的性能优于奖励调制的尖峰时间依赖可塑性（STDP），在 MNIST 和 Fashion-MNIST 上实现了显著更高的准确率，并且训练速度更快。
-
新AI框架跨模态提升医学图像异常检测能力
研究人员开发了一种新颖的、无需训练的医学图像异常检测框架，该框架可应用于各种成像模态，而无需特定于模态的架构或重新训练。该方法在最近的一篇arXiv论文中有所详述，在特征提取后插入一个流形精炼阶段，以增强正常样本和异常样本之间的区分度。通过将嵌入引导至局部密集区域，该方法压缩正常数据，在进行高斯密度估计和基于马氏距离的评分之前有效地分离异常。该框架在MedIAnomaly基准的七个数据集和五种成像类型上进行了测试，表现出色，在四个数据…
-
新的均值漂移密度增强框架改进了异常检测
研究人员推出了一种新颖的无监督异常检测框架——均值漂移密度增强（MSDE），该框架旨在提高在各种异常类型和噪声条件下的鲁棒性。MSDE通过分析样本在密度增强下的漂移情况来工作，正常样本保持稳定，而异常样本则显著地向密度模式移动。在46个数据集的基准测试中，MSDE与13个已建立的基线相比，表现出持续强大且均衡的性能，突出了基于位移的评分作为一种鲁棒的替代方案。