提出了一个关于递归神经网络在线训练的紧凑结构,其中根据多个标准对算法进行组织:过去与未来朝向,张量结构,随机与确定性,以及闭合形式与数值。测试在两个合成任务上的表现表明,表现根据标准聚集。
Jul, 2019
利用深度学习方法构建自适应系统,通过大量训练数据、自动特征选择和快速准确的标记,选择最佳的启发式算法以生成高质量的装箱方案,从而克服了传统人工智能机器学习方法的限制。
Feb, 2017
该研究提出了一种神经网络模型,用于准确预测电子商务中的购物意愿,并通过可训练的向量空间模型协助解决了传统方法中需要大量特征工程所需的资源和时间消耗的问题,同时,多层循环神经网络也能够捕捉长期和短期事件依赖关系和关联,取得了 98%与先进技术相当、甚至超过先进技术的分类准确率,无需进行特定领域或数据集相关的特征工程。
Jul, 2018
本文从动态规划的角度出发,探索了神经网络的表达能力与重复神经网络计算背包问题的最佳解或最小保证解值,提出了一种具有四层深度且宽度依据背包问题最优解的平方级别的背包问题重复神经网络,可以找到最优解或最小保证解值,得出了衡量神经网络大小和计算背包问题最佳解或最小保证解值之间的权衡关系。
May, 2020
我们提出了一种基于循环神经网络 (RNN) 的会话推荐方法,考虑到实际问题和数据缺乏的情况,并引入了一些修改,如排序损失函数。实验结果表明,与广泛使用的方法相比,我们的方法在两个数据集上都有明显的改进。
Nov, 2015
从 ASLib 中的六个数据集中评估了三种方法:基于预测不确定性的主动学习、使用超时预测器增强算法预测器以及使用逐步增加超时的方式收集训练数据,并展示了每个选项所实现的标记成本的降低。
May, 2024
本文介绍了基于 RNN 的 AI (RNNAIs) 框架及其在强化学习中的应用,该框架旨在学习其初始未知环境的预测模型,并在抽象推理和决策制定方面对其进行询问和利用,实现了 “学习思考” 的目标。
本文提出了一种新颖的算法来生成顺序敌对示例,并用于攻击基于循环神经网络的恶意软件检测系统,结果表明 RNN 基础恶意软件检测算法无法检测到大多数生成的恶意敌对示例,这意味着该提出的模型能够有效地绕过检测算法。
May, 2017
通过算法特征以及一般化观点,我们提出了基于算法特征的算法选择具有可证的保证的第一个模型,并分析了几个因素对一般化误差的影响。我们证明了在复杂的多算法场景中,基于算法特征的模型在一般化方面优于仅依赖问题特征的传统模型,并在分布变化的场景中表现出正相关的一般化误差和训练集与测试集之间的卡方距离。
本文讨论了标准深度学习方法的局限性,并展示了如何通过以结构化方式增加模型的复杂性来克服这些限制,具体地,研究了仅适用于具有计数和记忆序列能力模型的算法生成序列的最简单序列预测问题,证明了可以使用与可训练内存相关的循环网络从序列数据中学习一些基本算法。
Mar, 2015