Whenever we ask a neural network to make a prediction — say, to classify an image or understand the sentiment of a sentence — it doesn’t just blurt out a single answer. Instead, it gives us a...

本研究针对二元图像分类任务中的神经网络优化问题，引入了一种增强的遗传算法——双个体遗传算法(Dual-Individual GA)。该方法通过两个角色（领导者和跟随者）进行特征优化，显著提高了训练准确率，实验结果表明在一个三层网络中，该算法的训练准确率达到99.04%，优于传统的基于梯度的方法。

本研究针对卷积神经网络在处理遮挡图像时的鲁棒性不足问题，提出了一种基于视觉皮层边界完成机制的定制滤波器的方法。研究发现，经过修改的LeNet 5在处理被遮挡的MNIST图像时，准确性有显著提升，显示出这种新方法的有效性。

本研究针对当前脉冲神经网络在序列建模中的记忆机制不足、对生物启发成分探讨不够以及限制并行训练的计算范式等问题进行了分析。通过重新审视重置操作和不应期的基本机制，提出了固定不应期脉冲神经网络架构，为生成稀疏脉冲模式提供了新的理论解释和见解，对序列建模具有重要影响。

本研究解决了边缘计算中图结构场景下用户数据高度相关的任务调度问题，现有方法在此类应用中表现不佳。提出的GraphEdge架构通过分层遍历图切割算法优化图布局，并利用深度强化学习实现了高效的任务卸载策略，显著降低了任务处理时间和能耗。实验结果表明该架构在动态场景下也具有良好的适应性和效果。

本研究针对深度学习在医学成像领域的适应性挑战，提出了MedNNS框架，首次实现医学成像应用的神经网络搜索。该框架通过构建元空间联合优化架构选择和权重初始化，并利用超网络方法显著扩大模型库，实验结果表明，MedNNS在多数据集上表现优越，平均准确率提高1.7%，收敛速度显著加快。

Whether Chess, Fortnite or Tekken. Neural Networks have the potential to master any game due to engineers developing a way to automatically train machines to learn from their mistakes. This is...

本研究解决了深度神经网络中激活函数在梯度流动和优化稳定性方面的不足，尤其是ReLU的缺陷。提出的VeLU通过动态调整输入方差，结合ArcTan-Sin变换和Wasserstein-2正则化，有效缓解协变量偏移并稳定优化。实验表明，VeLU在多项视觉基准测试中显著优于现有激活函数。

本研究解决了将树张量网络嵌入量子神经网络以进行多类图像分类的挑战，尤其是对于大键维度所需的高阶门操作和中间电路后选择的低成功率问题。通过引入森林张量网络分类器，研究者成功地处理了多类分类问题，并在数值实验中证明了该方法在维护或提升预训练分类器性能方面的有效性，这表明了TTN模型与QNN的协同作用可为量子增强图像分类提供稳健的框架。