关键词neural network structures
搜索结果 - 9
- 神经结构搜索的添加正则化调度
神经网络结构、神经架构搜索、正则化器、优化过程和计算实验在研究论文中探讨了神经网络结构优化问题，并通过对一组数据集中正则化和非正则化模型的比较，证明了所提出的方法找到了高效且精确的低复杂度神经网络结构。
- TS-ENAS: 基于细胞的网络架构搜索的两阶段演化
我们提出了一种基于叠加单元的神经网络结构搜索的两阶段进化方法（TS-ENAS），包括基于堆叠单元的一阶段搜索和对这些单元进行调整的二阶段。在算法中，我们设计了一种新的基于单元的搜索空间和一种有效的两阶段编码方法来表示单元和神经网络结构。此外 - SWAMP: 迭代幅值削减的多粒子稀疏权重平均
本文提出一种基于迭代幅值修剪 (Iterative Magnitude Pruning, IMP) 算法的改进方法 Sparse Weight Averaging with Multiple Particles (SWAMP)，通过同时训练 - 2020-2022 年间金融时序预测的深度学习技术进展综述
本文综述了近年来 2020 至 2022 年关于利用深度学习模型基于金融时序数据预测价格的研究，包括不同数据源和神经网络结构的实现细节，旨在让研究人员了解该领域最新进展，方便选择先前研究中使用的模型基线，并提供未来研究建议。
- CVPR通过合成数据集设计研究神经架构
本文介绍了一种设计合成数据集来评估神经网络结构能力的方法，并通过构建三个数据集评估了三个网络属性，并发现 U-Net 存在严重的非局部缺陷，提出使用非局部层来解决这个问题，同时提出使用不同的位置编码方法来改善深度估计任务，最后证明自我关注机 - KDDFed2：特征对齐联邦学习
本文提出了基于特征对齐 Fed2 的联邦学习框架，通过显式的特征分配和特征配对均值方案，解决了联邦学习过程中参数随机性造成的结构特征不匹配的问题，提高了模型的收敛性能。
- 深度学习在股市预测中的应用：最近进展
这篇研究论文对近年来基于深度学习模型的股票市场预测的研究进行了综述，分析并分类了不同数据源、神经网络结构、常用评估指标以及实现和可重现性，并提出了未来的研究方向，旨在帮助研究人员了解最新进展和重现以前的研究作为基线。
- 用于训练目标检测神经网络的免费技巧集
通过使用一些 training heuristics，不改变模型结构，我们研究并在各种模型中应用 training tweaks，以提高物体检测的准确性。
- 高阶循环神经网络
本研究提出了一种新型神经网络结构，更好地建模序列数据的长期依赖性，称之为 higher order RNNs，实验结果表明，比常规 RNNs 和 LSTMs 性能都要好，适用于各种序列模型任务。