标签
神经网络
相关的文章:本列表汇集了关于神经网络在物理模拟、语音识别、图像处理等领域的最新研究成果,展示了其在多种应用中的创新与进展。
K-P量子神经网络
本研究针对K-P时间最优量子控制的解决方案进行了扩展,采用全球Cartan $KAK$分解方法,解决量子控制任务中的现有方法不足。通过将Cartan方法融入等变量量子神经网络,我们的工作展示了在某些类控制问题中,基于梯度的训练可以收敛于特定的全局时间最优解,从而为量子机器学习中的最优测地线估计提供了新的视角。
本研究通过全球Cartan $KAK$分解方法扩展了K-P时间最优量子控制的解决方案,克服了现有方法的不足。将Cartan方法与量子神经网络结合,展示了基于梯度的训练能够收敛于全局时间最优解,为量子机器学习中的最优测地线估计提供了新视角。
等变球面卷积神经网络用于准确的纤维方向分布估计,减少新生儿扩散MRI的获取时间
使用脉冲神经网络的多变量点过程学习中的动态图结构估计
本研究针对现有方法依赖静态图结构的问题,提出了一种名为脉冲动态图网络(SDGN)的新框架,该框架通过脉冲神经网络动态地学习时间序列事件数据中的空间时间依赖关系。实验结果表明,SDGN在合成和真实数据集上都能显著提高预测准确性,且在计算效率上表现优越,但在处理密集图形和某些非高斯依赖关系上仍有改进空间。
本研究提出脉冲动态图网络(SDGN),旨在解决现有方法对静态图结构的依赖。SDGN通过脉冲神经网络动态学习时间序列事件数据中的时空依赖关系,实验结果显示其在预测准确性和计算效率上优于现有方法,但在处理密集图和某些非高斯依赖关系方面仍需改进。
基于图神经网络的时序图影响力最大化候选节点预测
基于图神经网络的机器人 plaster 打印预测建模
卷积网络又双叒叕行了?OverLoCK:一种仿生的卷积神经网络视觉基础模型
快速训练具有稳态反馈的递归神经网络
本研究解决了递归神经网络在训练过程中面临的梯度计算瓶颈问题。我们提出了一种新方法,使用固定梯度反馈机制替代传统的时间反向传播(BPTT),通过状态空间模型的原则定义反馈矩阵,从而有效简化梯度传播,显著降低训练开销,同时保留网络捕捉长期依赖的能力。实验结果表明,该方法在语言建模基准上表现出竞争力的困惑度,并具有广泛的实际应用潜力。
基于代理建模和深度神经网络的安全设施数字双胞胎建立研究
AuditVotes:迈向可部署的图神经网络认证鲁棒性框架
本研究旨在解决图神经网络(GNNs)在适应性攻击下的鲁棒性挑战。提出的AuditVotes框架通过结合随机平滑、增强和条件平滑两个关键组件,实现了高准确率和认证鲁棒性,显著提高了数据质量和预测一致性。实验结果表明,AuditVotes在保持高计算效率的同时,显著提升了清晰准确率和认证鲁棒性,为图神经网络在实际应用中的部署提供了实质性支持。