深度学习中的数学挑战
综述了深度学习在计算机视觉、自然语言处理、时间序列分析和普适计算领域的最新模型以及其在解决各个领域问题中的有效性,并介绍了深度学习的基础知识、各种模型类型以及重要的卷积神经网络架构,并讨论了深度学习研究的挑战和未来方向。
Mar, 2024
我们描述了深度学习数学分析的新领域,涉及到超参数神经网络的普适性,深度对于网络的作用,感知问题的缺失,问题优化性能的成功和架构的各个方面对学习任务的影响,并提供了现代方法的概述和详细的主要思想。
May, 2021
通过对深度学习应用的依赖程度的分析,本文发现目前的进展主要依赖计算能力的提升。然而,这种趋势在经济、技术和环境上都具有不可持续性。因此,要想在这些应用领域取得更进一步的进展就必须依靠更为高效的计算方法,这要么意味着改变深度学习的方法,要么就是使用其他机器学习方法。
Jul, 2020
批判性地探讨深度神经网络 (DNN) 作为实现人工通用智能的技术选择的可行性,并给出了五个主要的原因进行支撑,表明 DNN 目前还不适合成为实现人工通用智能的选择。
Mar, 2022
深度学习网络在语音识别、图像描述和语言翻译等方面的高性能表现是由于它们利用高维空间的几何特性,然而它们究竟能否推广到实现全面的人工智能,以及和大脑规划和生存相关的其他区域的灵感还需做出重大突破。
Feb, 2020
我们旨在识别现代生成 AI 范例中尚未解决的主要挑战,以进一步增强其能力、多样性和可靠性,并为研究人员提供有价值的见解,以探索更有成效的研究方向,从而促进更强大和可访问的生成 AI 解决方案的发展。
Feb, 2024
本研究对八种不同的类比深度学习方法在多个关键参数上进行了全面的评估和说明,包括达到的准确性水平、应用领域、算法进步、计算速度以及能量效率和功耗的考虑。我们还通过对不同类比深度学习方法实现的神经网络实验的比较性能和当前限制的分析,发现类比深度学习在未来的消费级应用具有巨大潜力,但在可扩展性方面仍有很长的路要走。大多数当前的实现更多是概念验证,尚不能实际应用于大规模模型。
Jun, 2024