- TS-CausalNN: 从非线性非平稳时间序列数据中学习时间因果关系
提出了一种用于时间序列数据因果关系发现的深度学习方法,该方法在非平稳性和非线性性方面具有很好的性能,并能与领域理解达成一致。
- 学习动力学系统,在空间曲率内编码非线性
本文介绍了一种增强学习的动力系统方法,通过在潜在流形上建模震荡阻尼振子,将动力系统的非线性编码到空间曲率中,从而实现在线环境的本地自适应和障碍物避免,并展示了在合成矢量场和实际世界中学习 3D 机器人末端执行器运动的有效性。
- 神经网络中 400 种激活函数的综合调查:三十年的研究
本文通过一项涵盖 400 种激活函数的大规模调查,提供了先前已发表的激活函数的最全面概述和系统化,并为当前对该函数族的理解进行更新。
- 可扩展的高阶张量积样条模型
在当前海量数据和透明机器学习的时代,为了在大规模操作的同时提供对方法内部工作的清晰数学理解,本论文提出了一种使用因子化方法来导出高度可扩展的高阶张量乘积样条模型的新方法,以解决目前大规模应用中可解释的半参数回归方法在模型复杂度和交互作用缺失 - 通过非线性透视理解深度神经网络
该研究提出了一种理论上可靠的解决方案,用于跟踪计算机视觉应用中深度神经网络中的非线性传播,提供了详实的实验结果,突出了提出的亲和性评分的实用性及其潜在的广泛应用。
- 一种新颖的时空变分量子电路,在 NISQ 设备上实现深度学习
使用 ST-VQC 设计空间 - 时间深度学习量子电路,在 IBM 量子处理器上实现超过 30%的准确性提升,并在非线性合成数据集上比线性分类器提高 27.9%的性能。
- 卷积神经网络中高效二次神经元的表达能力增强
本文提出了一种高效的二次神经元结构,能够提高卷积神经网络的表现,并在分类任务中实现了更高的精度和更好的计算效率。
- 跨变量线性集成增强变压器模型用于多元长期时间序列预测
本研究设计了一个掩模时间序列实验来验证注意力模块在捕捉跨时间依赖方面的有效性,并提出了一种名为 Client 的先进模型,它采用线性模块学习趋势信息和注意力模块捕捉跨变量依赖关系,并将位置和解码器模块进行了简化,Client 通过加入非线性 - MM由随机神经网络生成的函数的非线性点
探讨了一种带 1 个隐藏激活层、任意宽度和 ReLU 激活函数的神经网络,研究了神经网络的偏差,解释了为何神经网络可能更偏好具有更简单的几何形状和为何某些低信息熵函数对于神经网络来说仍然难以近似。
- CVPR噪声计算的 RAW 增强技术在多种环境中实现识别
本文提出了一种基于噪声校准的 RAW 图像增强方法,该方法通过在图像信号处理器之前对 RAW 图像执行颜色抖动和模糊增强,从而获得更真实的像素强度和噪声分布;同时,引入了噪声量对齐方法,解决数据增强导致的噪声差异问题,仅使用简单的训练数据就 - APTx:比深度学习中使用的 MISH、SWISH 和 ReLU 变种更好的激活函数
该研究论文介绍了不同类型的激活函数对于深度学习的影响,提出了新的激活函数 APTx,其计算速度比 MISH 更快,但效果相近,同时可以有效减少深度学习的计算资源消耗。
- 探索深度学习中的专家混合模型
本文研究了 Mixture-of-Experts(MoE)层如何在深度学习中提高神经网络的性能以及为什么混合模型不会崩溃。通过研究困难的分类问题,我们证明了 MoE 模型的有效性,理论上表明路由器可以学习聚类中心特征,帮助将复杂的问题分解为 - 观察研究中多种治疗对二元结果的因果效应估计
本文提出并评估贝叶斯加性回归树(BART)与其他已有方法(如 IPTWM、TMLE、向量匹配和回归调整等)在多个处理方式时,因为结果是二进制的而缺乏强大的估计因果效应的方法。结果表明,在处理分配和结果生成机制的非线性和非可加性的情况下,BA - IJCAINeuRec:关于非线性转换的个性化排名
本文提出基于神经网络的推荐模型(NeuRec),该模型通过排序任务展示了其在个性化推荐方面的优异性能,同时解决了用户 - 物品交互中的复杂性和非线性问题,并通过非线性转换和隐性因素的组合,设计出两个变体 NeuRec 模型,即基于用户的 N - ICML网络形态学
本文介绍了网络形态学的定义、方程和算法,讨论了如何实现网络形态的改变,提出了参数化激活函数,实验结果表明这种网络形态的改变方案是有效的。
- 利用决策树进行高维数据的快速监督哈希
本文利用增强决策树来实现哈希中的非线性,提出了基于次模形式的哈希二进制码推断问题和用于解决大规模哈希推断的高效 GraphCut 块搜索方法。实验证明,该方法在检索准确性和训练时间方面显著优于大多数最先进的方法,尤其是对于高维数据,该方法的