657 पेपर
यह शोध पत्र एक विकासवादी प्रक्रिया (evolutionary procedure) को जैविक रूप से यथार्थवादी JASTAP स्पाइकिंग न्यूरल नेटवर्क मॉडल तक विस्तारित करता है, जो यह प्रदर्शित करता है कि यह दृष्टिकोण IRIS डेटासेट पर सटीकता बनाए रखते हुए छोटे और अधिक शोर-रोधी (noise-robust) क्लासिफायर सक्षम बनाता है।
यह शोध पत्र ARIEL रोबोटों के लिए एक स्थानिक रूप से अंतर्निहित (spatially embedded) विकासवादी एल्गोरिदम की जांच करता है, जो यह प्रकट करता है कि जबकि स्थानिक मैथुन (spatial mating) का शिखर फिटनेस पर न्यूनतम प्रभाव पड़ता है, स्थानिक जनक चयन को स्टोकेस्टिक मृत्यु (stochastic death) के साथ संयोजित करना अस्थिरता का कारण बनता है, और घनत्व-निर्भर मृत्यु दर जनसंख्या पूर्णता और फिटनेस में गिरावट के बीच एक मौलिक समझौता (trade-off) उत्पन्न करती है।
यह शोध पत्र इस बात की जांच करता है कि बीगल (Beagle) फ्रेमवर्क के भीतर जीपीयू-त्वरित (GPU-accelerated) जनसंख्या आकार किस प्रकार सिम्बोलिक रिग्रेशन के प्रदर्शन को प्रभावित करते हैं, जो यह प्रकट करता है कि इष्टतम खोज रणनीतियाँ संकीर्ण, गहरी खोजों और व्यापक, उथली खोजों के बीच भिन्न होती हैं, और साथ ही बड़े से छोटे समूहों में संक्रमण करने वाले क्रमिक जनसंख्या आकारों की प्रभावशीलता को भी प्रदर्शित करता है।
यह शोध पत्र गतिशील स्रोतों से समय-निर्भर प्रदूषण प्रसार के अनुकरण के लिए एक सुदृढ़, कोलोकेशन-आधारित फिजिक्स-इन्फॉर्म्ड न्यूरल नेटवर्क (PINN) ढांचे का प्रस्ताव करता है, जो स्पिट्सबर्गेन के एक केस स्टडी के माध्यम से यह प्रदर्शित करता है कि थर्मल इन्वर्जन प्रदूषकों को जमीन के पास फंसाकर वायु गुणवत्ता को काफी खराब कर देता है।
यह शोध पत्र एक गुणा-रहित, स्पाइक-टाइम-आधारित शिक्षण एल्गोरिदम और एक कुशल FPGA कार्यान्वयन प्रस्तुत करता है जिसे एज कंप्यूटिंग के लिए स्पाइकिंग न्यूरल नेटवर्क (SNNs) के कम-शक्ति वाले, वास्तविक समय के, ऑन-चिप प्रशिक्षण को सक्षम करने के लिए डिज़ाइन किया गया है।
यह शोधपत्र यह प्रदर्शित करता है कि ग्रेडिएंट-आधारित सिम्बोलिक रिग्रेशन में, चर (variables) एक्सप्रेशन ट्री में कैसे प्रवेश करते हैं इसका आर्किटेक्चरल चुनाव सैद्धांतिक अभिव्यंजकता (theoretical expressiveness) की तुलना में अधिक महत्वपूर्ण है, क्योंकि परिणामी अनुकूलन परिदृश्य (optimization landscape) यह निर्धारित करता है कि क्या एक लक्षित सूत्र को वास्तव में प्राप्त किया जा सकता है।
यह शोध पत्र "Learn&Drop" का प्रस्ताव करता है, जो एक नवीन प्रशिक्षण रणनीति है जो लेयर-वार लर्निंग स्कोर के आधार पर फॉरवर्ड प्रोपेगेशन के दौरान नेटवर्क को गतिशील रूप से कम करके CNN के प्रशिक्षण को तेज़ करती है, जिससे सटीकता में पर्याप्त कमी के बिना प्रशिक्षण समय में उल्लेखनीय रूप से कमी आती है।
यह शोध पत्र यह स्थापित करता है कि रिकरेंट न्यूरल नेटवर्क, पॉलिनोमियल ओडीई (ODE), और पॉलिनोमियल मैप्स, प्रिमिटिव रिकर्सिव फंक्शन्स की गणना करने के लिए समान रूप से तुल्य ढाँचे हैं, जो यह प्रकट करते हैं कि कैसे प्रत्येक प्रणाली अपने विशिष्ट गतिशील गुणों के माध्यम से एक-दूसरे की संरचनात्मक सीमाओं—जैसे कि ब्रांचिंग, राउंडिंग, या डिसक्रेटाइजेशन—की भरपाई करती है।
यह शोध पत्र एक हार्डवेयर-जागरूक न्यूरल आर्किटेक्चर सर्च (NAS) फ्रेमवर्क प्रस्तावित करता है जो फुल-प्रिसिजन ट्रेनिंग और स्पेसबोर्न VPUs जैसे संसाधन-सीमित एज हार्डवेयर पर परिनियोजन के बीच सटीकता के अंतर को पाटने के लिए अनुकूलन प्रक्रिया में सीधे लो-प्रिसिजन संख्यात्मक बाधाओं को एकीकृत करता है।
MONET एक नया मल्टी-टास्क ऑप्टिमाइज़ेशन एल्गोरिदम है जो कार्य स्थानों (task spaces) को ग्राफ के रूप में मॉडल करता है ताकि पड़ोसी कार्यों के बीच सामाजिक शिक्षण (social learning) और उत्परिवर्तन (mutation) के माध्यम से व्यक्तिगत परिशोधन के संयोजन द्वारा कुशल ज्ञान हस्तांतरण सक्षम किया जा सके, जो विभिन्न बड़े पैमाने के डोमेन में मौजूदा MAP-Elites-आधारित विधियों से बेहतर प्रदर्शन करता है।