- 虚拟模拟音频效果建模的循环神经网络比较研究
通过比较 State Space 模型、Linear Recurrent Units 和 Long Short Term Memory 网络在模拟音频效果方面的性能,本文研究了近期机器学习进展在虚拟类比建模中的应用,包括信号历史编码、能量包 - 自主学习的文本视觉框架用于自动脑部异常检测
通过利用神经放射学报告中丰富的信息,我们提出了一个自监督的文字 - 视觉框架,通过对脑部 MRI 扫描进行无监督学习,检测临床相关的异常,为自动分类、自动分级等应用提供支持。
- CVPR参数高效微调无灾难性遗忘的自监督视觉迁移模型
人工神经网络经常面临灾难性遗忘的问题,其中视觉变换器尤其明显,我们通过两种参数高效的微调策略(块扩展和低秩适应)研究了如何解决这一问题,结果显示使用这些策略后的预训练视觉变换器在新领域具有更好的参数效率且能有效减轻灾难性遗忘。
- 层次集成平均以提高基于忆阻器的人工神经网络性能
这项研究提出并实验性地展示了一种层集成平均的技术,通过将预先训练的神经网络解决方案从软件映射到有缺陷的硬件交叉栅极存储器上,可可靠地达到接近软件性能的推理表现。研究结果表明,通过牺牲层映射所需的设备数量,层集成平均可以可靠地提升缺陷忆阻网络 - 一种基于人工神经网络的经济一致的灵活效用规范的离散选择模型
本文提出了一种基于人工神经网络 (ANNs) 的新的离散选择模型 ——“特定备选和共享权重神经网络(ASS-NN)”,它在灵活拟合数据的效用函数的同时,与选择理论和货币可替代性(即 “一欧元就是一欧元”)两个假设保持一致,从而实现了经济一致 - 听海之声:使用人类听觉系统的神经模型预测海洋波浪
将人工神经网络与神经科学整合可显著提高任务性能,通过将回声状态网络重新设计来模拟大脑听觉系统,实现了实时海波预测,为海洋能源生产提供了一个高效的工具。
- 基于 ANN 的受约束室内无线网络 RSSI 估计
在物联网(IoT)这个不断扩大的领域中,无线信道估计是一个重要的挑战,尤其是对于低功耗物联网(LP-IoT)通信来说,效率和准确性非常重要。本研究使用人工神经网络(ANN)建立了两个不同的 LP-IoT 无线信道估计模型:基于特征的 ANN - 利用模拟图像改进深度学习预测及其反向操作
通过使用 L 系统生成的合成图像,可以在培训神经网络进行表型鉴定任务时,通过增加或完全替代真实图像,从视觉上更真实地模拟植物,从而在更好地理解合成图像生成的情况下使用不同数量的真实图像和合成图像进行系统化分析。此外,利用神经网络的预测结果可 - 结构灵活的神经网络:为普适智能体进化构建模块
人工神经网络用于强化学习是结构僵化的,参数只能固定在预定义的网络结构中,这限制了在不同环境中优化参数的能力。在本研究中,我们通过演化一组神经元和可塑突触来解决这个问题,展示了通过优化不同的随机结构配置下的神经元的参数,可以解决多个强化学习控 - 神经进化电子动态网络
利用动态和部分重构能力强大的现代可编程门阵列作为神经进化动态神经网络的强大平台的潜力得到了本研究的实证。
- 统计力学与人工神经网络:原理,模型和应用
神经科学,人工神经网络,统计力学,Hopfield 网络和 Boltzmann 机器是人工神经网络领域的主要研究课题。通过研究人工神经网络中的丢失函数的几何特征和可视化方法,可以提高其优化行为、泛化能力和整体性能。
- 树突使人工神经网络具备准确、稳健和参数高效的学习能力
利用生物树突的结构连接性和受限采样特性,提出了一种新的人工神经网络架构,通过不同的学习策略实现对多个类别的响应,使得树突人工神经网络在图像分类任务中具有更高的鲁棒性和更低的可训练参数数量。
- 基于人工神经网络的实时 ENG 信号分类技术用于植入式神经界面
通过使用多种人工神经网络从大鼠坐骨神经的电神经图(ENG)信号中提取感觉刺激,本研究分析了四种不同类型的人工神经网络对实时分类的可行性,并通过准确率、F1 得分和预测时间的比较评估了它们的性能。结果表明,某些人工神经网络更适用于实时应用,能 - 人工神经微电路作为构建基块:概念与挑战
人工神经网络 (ANNs) 是最广泛应用的生物启发计算形式之一。该论文探索了新的方法,通过借鉴生物学中神经微电路的作用,使用人工神经微电路 (ANMs) 来组装大型神经网络,以期成为现成的组件。论文展示了采用新颖性搜索方法生成此类微电路目录 - 神经网络的无模型本地校准
我们提出了一种使用人工神经网络隐藏层提供的输入的降维表示进行局部重新校准的人工神经网络预测分布方法,通过仿真研究证明了我们的方法相对于其他方法具有良好的性能,并探索了基于网络的不同层进行校准定位的益处。最后,我们将我们提出的方法应用于钻石价 - 持续学习与灾难性遗忘
本书章节探讨了持续学习的动态,即从非固定数据流中增量学习的过程。尽管对于人脑来说是一种自然的技能,但对于人工神经网络来说却非常具有挑战性。这是因为当学习新知识时,这些网络往往会迅速而彻底地忘记之前所学的知识,这一现象被称为灾难性遗忘。特别是 - 基于神经仿生无任务无监督在线学习的自维持映射模型
持续学习中的难题是灾难性遗忘,特别是在人工神经网络(ANNs)等无监督架构中,我们提出了一种称为连续自组织映射(CSOM)的泛化模型来解决这一问题。CSOM 在低内存预算下实现在线无监督学习,在多个基准测试中获得了准确性提高近两倍以及用于自 - 神经科学启发的机器学习综述
这篇论文调研了模拟生物可行的信用分配规则在人工神经网络中的多个重要算法,并讨论了它们在不同科学领域的解决方案以及在 CPU、GPU 和神经形态硬件上的优势,最后讨论了未来需要解决的挑战,以使这些算法在实际应用中更加有用。
- 远距干扰:探索基于模型的持续学习的界限
连续学习中的灾难性干扰和远程干扰分析,提出一种能近似任何连续函数、具有多项式计算复杂度、并且对远程干扰提供保证的新型人工神经网络结构 ABAL-Spline。通过实验证明 ABAL-Spline 在理论上具有的性质,并在基准回归问题上进行评 - 数据有限或不平衡时,类似睡眠的无监督重播改善性能
研究表明,在训练数据有限或不平衡的情况下,通过添加睡眠阶段可以提高人工神经网络在 MNIST 和 Fashion MNIST 数据集上的准确性,指出睡眠期间潜在的突触权重动态策略在训练数据受限或不平衡时有助于增强记忆表现。