标签
神经网络
相关的文章：本列表页提供了关于神经网络的研究综述及应用案例，包括多语言知识编辑、卷积神经网络、贝叶斯神经网络、航空事故预测等内容。了解神经网络在不同领域的应用及其研究进展。
通过神经网络对网络图进行终生图形摘要，我们研究了网络图的摘要问题。我们使用 GNNs Graph-MLP 和 GraphSAINT 以及 MLP 基准来总结时间图。我们调查了重用前一个快照中的参数对神经网络的反向和正向转移以及遗忘率的影响。我们在 2012 年和 2022 年采样的一个包含超过 1 亿条边的网图的十个周快照上进行了广泛的实验，结果显示所有网络主要使用 1...
研究发现，神经网络对网络图进行终生图形摘要时，主要使用1跳信息来确定摘要，即使进行2跳摘要。在网络图的异质性较强的情况下，2跳摘要产生的顶点摘要比1跳摘要多出十倍以上。然而，将在2012年训练的网络应用于2022年的快照时，准确性显著下降，这是因为2022年网络图的强烈异质性增加。
我们提出了第一个硬约束神经网络 (HANNA) 来预测活度系数，这是基于科学和工程中许多应用的热力学混合物性质的基础。与传统神经网络不同，我们的模型严格遵守所有热力学一致性准则，通过利用深度集神经网络，HANNA 在各组分的排列置换下保持对称性，并通过在网络架构中硬编码物理约束，确保符合 Gibbs-Duhem 方程和纯组分的建模。该模型在多特蒙德数据库中的 317,421...
介绍了HANNA模型，用于预测热力学混合物的活度系数。该模型严格遵守热力学一致性准则，并通过深度集神经网络和物理约束来保持对称性和符合Gibbs-Duhem方程。在多特蒙德数据库上进行了训练和评估，比UNIFAC模型更准确。适用于任何二元混合物。
基于线性循环神经网络 (Linear RNN) 构建的简单有效的基于窗口的框架 LION 提出了一种用于准确 3D 物体检测的方法，通过在较大的组中允许足够的特征交互来解决了大规模 3D 点云感知任务中使用 transformers 时的二次计算成本问题。
本文提出了一种基于稀疏LSTM的多帧3D对象检测算法，使用稀疏3D卷积网络提取LiDAR点云特征，并结合上一帧的隐藏和记忆特征输入到LSTM模块，预测当前帧中的3D对象。实验结果显示，该算法在内存和计算方面优于传统逐帧方法和其他多帧方法。这是首次在稀疏点云中使用LSTM进行3D对象检测的工作。
通过使用神经网络材料离散化方法，结合 Adam 优化器，在拓扑优化问题中得到更好的局部最优解，特别是在声学拓扑优化中。
神经拓扑优化（NTD）是一种用于决策空间再参数化和优化景观重塑的方法。NN架构的选择对优化过程有重要影响，NN引入非凸性，可能延迟凸问题的收敛但增强非凸问题的探索。该分析突出了神经拓扑优化在非凸问题和专用GPU硬件上的潜力，以及选择优化的NN架构和超参数以实现卓越性能的复杂挑战。
该论文介绍了一种简单而有效的网络反演方法，利用一个精心调制的生成器来学习经过训练的神经网络输入空间中的数据分布，从而使得可以重构出最有可能导致所需输出的输入。论文还讨论了网络反演的即时应用，包括解释性、可解释性和对抗样本的生成。
我们提出了一种逆向识别方法 (INVERT)，通过学习表示与解释相连接的可扩展方法，实现了对表示与解释一致性的评估和统计显著性的度量。该方法适用于各种场景，包括受偶然相关性影响的表示和模型中决策层次结构的解释。
通过将偏微分方程作为损失项融入神经网络并在训练过程中最小化损失函数，物理知识驱动的神经网络 (PINNs) 是一种用于求解偏微分方程的机器学习技术。本研究提出了一个两阶段混合学习框架，将卷积神经网络 (CNNs) 和 PINNs 结合起来解决完全逆向电阻抗层析成像 (EIT) 问题。该框架融合了数据驱动和模型驱动方法，在 EIT 的 PINN 框架中解耦了正向和逆向问题。
该研究提出了一个两阶段混合学习框架，将卷积神经网络和物理知识驱动的神经网络结合起来解决电阻抗层析成像问题。该框架在PINN框架中解耦了正向和逆向问题。
Nerva 是一个正在开发的快速神经网络库，通过使用英特尔的 Math Kernel Library（MKL）的稀疏矩阵操作来支持稀疏性，从而消除了二进制掩码的需求。我们展示了 Nerva 显著降低训练时间和内存使用量，同时达到了与 PyTorch 等效的准确性。我们在 CIFAR-10 上使用多层感知器运行静态稀疏实验。在高稀疏度水平如 99% 时，相对于使用掩码的 PyTorch...
研究者开发了一种稀疏模型来解决网络规模增大的挑战。他们提出了一种移动推理加速框架SparseByteNN，通过利用细粒度的内核稀疏性实现实时执行和高准确性。实验结果表明，SparseByteNN相对于密集版本获得了1.27倍的加速，并相对于最先进的稀疏推理引擎MNN获得了1.29倍的加速，准确性略有下降。
自然图像基础模型在零样本医学成像数据的强大特征提取方面的能力得到了近期研究的强调。我们的实验表明，与 MLP 预测头相比，GNN 在分类性能上有所提升并且运行时间大幅改善，进一步验证了 GNN 作为传统 MLP 分类头的合适替代品。
近年来，对不同领域数据进行图结构化映射的兴趣日益增长。本文展示了多层感知器（MLP）等神经网络模型可以用图表示，而图神经网络（GNN）是在图上执行机器学习任务的标准工具。我们提出了一种用于表格数据的新的机器学习模型，称为图神经机器（GNM），它用几乎完全图代替了 MLP 的有向无环图，并采用同步消息传递方案。我们展示了单个 GNM 模型可以模拟多个 MLP 模型，并在多个分类和回归数据集上评估了所提出的模型。在大多数情况下，GNM 模型优于 MLP 架构。
通过将轨迹数据转换为适用于基于卷积神经网络的模型的格式，本研究介绍了一个可逆的轨迹转换方法（RTCT），并通过与基于递归神经网络的轨迹生成对抗网络进行性能评估，证明了该方法在捕捉空间分布方面优于 RNN 模型，但在复制顺序和时间属性方面存在困难，为未来研究开辟了应用卷积神经网络进行轨迹生成的可能性。
本文介绍了一个隐私保护轨迹发布方法，重点是选择适当的隐私单元。作者讨论了现有方法的不足，并对轨迹生成模型进行了研究。实验评估了六个生成模型在轨迹领域的适用性。作者得出结论，生成轨迹模型仍是一个开放的研究问题，并提出了未来研究的下一步。
比较了深度学习架构用于基于 MRI 的帕金森病分类，在提出的三维 ConvKANs（卷积科尔莫哥罗夫 - 阿诺尔德网络）实现中，将卷积层与自适应、样条基本函数相结合。评估了卷积神经网络（CNNs）、ConvKANs 和图卷积网络（GCNs）在三个开源数据集中的性能，使用了总共 142 名参与者（75 名患有帕金森病，67 名年龄匹配的健康对照组）。ConvKANs 表现出高性能，尤其在...
该研究提出了一种高效的深度神经网络模型，用于诊断帕金森病步态。该模型采用ConvNet-Transformer架构，准确诊断帕金森病严重程度，准确率达到88%。该方法具有推广和适应其他分类问题的潜力。
正在访问的资源需要验证您是否真人。
或在微信中搜索公众号“小红花技术领袖”并关注
第二步：在公众号对话中发送验证码：