Mar, 2017

利用神经网络进行对抗生成的实时反馈，用于基于仿真的训练

HTML
PDF
TL;DR本文提出了一个基于神经网络和对抗技术的实时反馈生成方法，通过有界对抗更新和反向传播最小化L1正则化损失，实现了高效且有效的反馈生成，相比现有方法具有更高的效力和效率，在模拟训练领域具有广泛的应用前景。
发现论文，激发创造
  • 学习程序嵌入以传递学生代码反馈

    本文利用神经网络将程序编码成一个从预置条件空间到后置条件空间的线性映射，提出了一种利用这些线性映射作为特征的规模反馈算法，并将其应用于Code.org Hour of Code和Stanford University的CS1课程的编程测评中。

    May, 2015

  • 直接反馈对齐提供深度神经网络的学习

    使用反馈定向方法进行神经网络训练的简单方法能够在卷积网络和深度网络中实现零训练误差，而不需要成对的权重，是迈向生物可行机器学习的一步。

    Sep, 2016

  • 反馈网络

    本文研究了基于反馈的学习方法在计算机视觉领域中的应用，通过反馈机制可以达到与前馈神经网络相同的学习效果，且具有更好的性能表现，并可提供支持层次化结构及课程学习的新思路。

    Dec, 2016

  • 神经网络鲁棒性的反馈学习

    通过分析决策空间中的模型鲁棒性，提出一种反馈学习方法，以了解模型的学习情况，促进纠正缺陷的重新训练过程。根据一组基于距离的准则进行的评估表明，我们的方法可以显著提高模型的准确性和对各种逃逸攻击的鲁棒性，同时观察到跨类不平等的存在，并提出通过改变不同类别中生成的示例的比例来弥补它。

    Sep, 2019

  • MoDem: 利用演示加速视觉基于模型的强化学习

    利用演示可以显著提高模型学习效率，在这项工作中，我们确定了利用演示进行模型学习的关键因素，即策略预训练，有针对性的探索和演示数据的过采样，这三个阶段构成了我们的基于模型的RL框架。

    Dec, 2022

  • 负反馈训练：提高NVCiM DNN加速器稳健性的新概念

    本研究提出一种新的深度神经网络 DNN 训练方法，利用负反馈机制作为多出口机制来提高神经网络模型对设备变异的鲁棒性，在处理 Compute-in-Memory，非易失性内存，矩阵操作等方面都有很好的性能和效率。

    May, 2023

  • 利用反馈循环进行对抗训练

    该论文提出了一种基于控制理论的新型强化方法，它使用反馈控制构建了一种神经网络架构，通过训练来稳定系统输出，从而增强对抗攻击的防御能力。通过实验结果表明，该方法相比于现有技术在标准测试问题上具有更高的有效性。

    Aug, 2023

  • 通过强化学习提高自动生成反馈的有效性

    基于大语言模型的自动生成反馈在智能辅导系统和在线学习平台中具有潜力来提高许多学生的学习效果，本文针对自动生成和评估反馈的问题，提出了数学反馈评估标准和反馈生成框架，通过强化学习优化反馈的正确性和一致性，并通过案例研究定性分析了生成和评估系统。

    Mar, 2024

  • 基于扰动的递归神经网络学习

    本研究针对循环神经网络提出了一种基于扰动学习的新方法，通过在时间域内进行节点扰动，实现与反向传播方法相媲美的性能，具有超越梯度方法的优势，证明了扰动学习方法是训练循环神经网络的一种多功能替代方案。

    May, 2024

  • CANDERE-COACH：从嘈杂反馈中进行强化学习

    本研究解决了强化学习中对完美反馈假设的局限性，提出了一种新算法CANDERE-COACH，可在存在噪声的反馈下学习。通过引入去噪机制，该算法能够在教师反馈中最多有40%的错误情况下仍然成功学习，从而提升了强化学习的实际应用能力。

    Sep, 2024