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。

精细化交互:通过语言语义增强图神经网络中的各向异性

本研究解决了现有图神经网络在处理图结构和文本信息时的有效性不足问题。提出的LanSAGNN框架将各向异性的概念扩展到自然语言层面,以此从大语言模型中提取定制的语义信息,显著提高节点关系的交互捕捉能力。实验结果表明,LanSAGNN在保持复杂度不变的情况下,显著增强了基于大语言模型的方法,并显示出对干扰的强大鲁棒性。

本研究提出了LanSAGNN框架,旨在提升图神经网络在处理图结构和文本信息时的有效性,显著增强节点关系的交互捕捉能力,实验结果表明其具有较强的鲁棒性。

原文中文,约300字,阅读约需1分钟。发表于:
阅读原文

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。

原文中文,约200字,阅读约需1分钟。发表于:
阅读原文

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

本研究解决了新生儿扩散磁共振成像(dMRI)中由于低信噪比、运动伪影和髓鞘化过程带来的微观结构评估挑战。我们提出了一种专为新生儿dMRI设计的旋转等变球面卷积神经网络框架,在使用减少的梯度方向(仅30%)的情况下,准确预测纤维方向分布(FOD),显著提高了估计准确性和临床效率。

本研究提出了一种针对新生儿扩散磁共振成像(dMRI)的旋转等变球面卷积神经网络框架,旨在解决低信噪比和运动伪影问题,能够在减少梯度方向的情况下准确预测纤维方向分布,从而提高估计准确性和临床效率。

原文中文,约200字,阅读约需1分钟。发表于:
阅读原文

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。

原文中文,约300字,阅读约需1分钟。发表于:
阅读原文

基于图神经网络的时序图影响力最大化候选节点预测

本研究解决了传统影响力最大化策略在快速变化的动态网络中难以识别影响节点的问题。我们提出了一种新颖的学习方法,将图神经网络(GNN)与双向长短期记忆(BiLSTM)模型相结合,能够准确预测候选节点,适应网络的时间变化。研究表明,该方法在不同网络中实现了90%的平均准确率,显著提高了种子集选择的效率,减少了计算开销。

本研究提出了一种新方法,将图神经网络与双向长短期记忆模型结合,以解决动态网络中的节点识别问题。该方法在不同网络中实现了90%的准确率,提高了种子集选择效率,降低了计算开销。

原文中文,约300字,阅读约需1分钟。发表于:
阅读原文

基于图神经网络的机器人 plaster 打印预测建模

本文提出了一种基于图神经网络(GNN)的建模方法,用于预测颗粒基制造过程中产生的表面,专注于通过机器人臂在墙上喷涂水泥 plaster 的打印过程。该方法通过优化机器人臂轨迹特征和打印过程参数,显著提升了预测精度,相较于现有基准模型表现出显著改善,为实现自主喷涂过程提供了新的解决方案。

本文提出了一种基于图神经网络的建模方法,用于预测颗粒基制造中水泥喷涂过程的表面。该方法优化了机器人臂轨迹和打印参数,显著提升了预测精度,为自主喷涂提供了新方案。

原文中文,约300字,阅读约需1分钟。发表于:
阅读原文
原文中文,约4400字,阅读约需11分钟。发表于:
阅读原文

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。

发表于:
阅读原文

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

本研究解决了在高安全性核设施中,由于感知限制而无法进行实时数据采集的问题。通过使用基于代理的模型生成合成运动轨迹,并利用深度神经网络进行下一个位置和停留时间的预测,成功区分了正常操作与应急响应期间非玩家角色(NPC)的运动。研究结果显示,该方法有效结合了合成数据和深度学习技术,有助于提高安全设施的监控和应急管理能力。

发表于:
阅读原文

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。

发表于:
阅读原文