65 articoli
Questo articolo presenta un approccio basato sull'apprendimento profondo che combina la scoperta di coordinate e mappe di flusso per migliorare l'efficienza computazionale nella simulazione di sistemi multiscala complessi, ottenendo alta accuratezza predittiva a costi ridotti su modelli come Fitzhugh-Nagumo e Kuramoto-Sivashinsky.
Questo lavoro introduce MLES, un nuovo approccio che combina modelli linguistici multimodali e ricerca evolutiva per generare automaticamente politiche di controllo programmatiche trasparenti e verificabili, ottenendo prestazioni comparabili ai metodi di deep reinforcement learning tradizionali ma con una logica interpretabile dall'uomo.
Il paper propone un framework di budgeting degli spike consapevole dell'energia per l'apprendimento continuo nelle reti neurali a impulsi, che integra replay esperienziale e parametri neuronali adattivi per migliorare l'accuratezza e ridurre il consumo energetico sia su dataset basati su frame che su eventi.
Il paper propone B-DENSE, un nuovo framework che migliora l'efficienza dell'inferenza nei modelli di diffusione tramite allineamento denso di traiettorie multi-ramo, permettendo al modello studente di apprendere informazioni strutturali intermedie complete e ottenere una qualità di generazione superiore rispetto alle tecniche di distillazione esistenti.
Questo studio dimostra che l'integrazione sinergica di meccanismi complementari, come l'apprendimento contrastivo supervisionato e le reti ricorrenti gerarchiche, in reti neurali a impulsi (SNN) supera i compromessi delle singole ottimizzazioni, raggiungendo prestazioni superiori in termini di accuratezza, efficienza energetica e organizzazione strutturale sul dataset N-MNIST.
Il paper introduce HOC-L, un quadro dinamico unificato che combina la geometria iperbolica sparsa e la sincronizzazione oscillatoria per realizzare una co-apprendimento strutturale e di fase in architetture neurali bio-ispirate, garantendo convergenza teorica e complessità computazionale ridotta.
Questo lavoro presenta un framework basato su reti neurali informate dalla fisica (PINN) che permette una stima robusta dei parametri biofisici e la ricostruzione degli stati nascosti in modelli neuronali multiscala, superando le limitazioni dei metodi tradizionali grazie alla sua efficacia anche con osservazioni parziali, rumorose e inizializzazioni non informative.
Questo lavoro propone una misura di piattezza esatta e fedele all'architettura per le CNN, derivando un'espressione in forma chiusa per la traccia dell'Hessiano e specializzandola per i livelli convoluzionali, dimostrando empiricamente la sua efficacia come strumento robusto per stimare le prestazioni di generalizzazione e guidare la progettazione dei modelli.
Il paper presenta DendroNN, una rete neurale ispirata ai dendriti biologici che utilizza un meccanismo di ricollegamento senza gradienti e un'architettura hardware asincrona per classificare efficientemente dati basati su eventi, raggiungendo un'efficienza energetica fino a 4 volte superiore rispetto alle soluzioni neuromorfiche esistenti.
Questo lavoro introduce un metodo basato sulla programmazione genetica per la scoperta simbolica di equazioni differenziali stocastiche, ottimizzando congiuntamente le funzioni di deriva e diffusione tramite la massima verosimiglianza per migliorare la modellazione, la comprensione e il campionamento generativo dei sistemi dinamici rumorosi.
Questo lavoro propone un formalismo generale basato su principi di conservazione dell'energia e azione estrema per approssimare la retropropagazione nel tempo (BPTT) in modo biologicamente plausibile, estendendo il modello di Equilibrio Latente Generalizzato (GLE) per fornire un quadro rigoroso per l'apprendimento spaziotemporale nel cervello e per circuiti fisici.
Questo articolo presenta un framework SVM "white-box" ottimizzato tramite algoritmi di sciame per il monitoraggio in tempo reale dello stato di usura degli utensili da fresatura, basato sull'analisi delle vibrazioni del mandrino e sulla selezione delle caratteristiche tramite RFECV.
Questa rassegna esamina l'applicazione della teoria dell'utilità alla modellazione cognitiva nella robotica, analizzando l'evoluzione dai sistemi basati sul comportamento alle architetture cognitive e ai sistemi di valore, con particolare attenzione al processo decisionale, all'apprendimento e all'interazione in ambienti multi-agente e uomo-robot, proponendo infine nuove direzioni di ricerca e problemi aperti.
Questo lavoro presenta un neurone analogico spiking LIF a bassissimo consumo (1,6 fJ/spike) realizzato in tecnologia CMOS a 28 nm, che dimostra la fattibilità di un sistema neuromorfico efficiente dal punto di vista energetico in grado di raggiungere un'accuratezza dell'82,5% sul dataset MNIST.
Questo studio offre una rivalutazione rigorosa dell'efficienza energetica delle reti neurali a impulsi (SNN), dimostrando che, sebbene spesso sopravvalutate, possono raddoppiare l'autonomia della batteria rispetto alle reti neurali quantizzate (QNN) solo in specifici regimi operativi caratterizzati da finestre temporali moderate e bassi tassi di impulsi, una volta considerati i costi reali del movimento dei dati.
Questo studio confronta l'approccio interpretabile ANFIS-FBCSP-PSO con il modello deep learning EEGNet per la classificazione dell'immaginazione motoria, rivelando che il primo offre prestazioni superiori in contesti intra-soggetto mentre il secondo garantisce una migliore generalizzazione tra soggetti diversi, fornendo così linee guida pratiche per la selezione dei sistemi BCI in base agli obiettivi di interpretabilità o robustezza.
Questo articolo propone un approccio neurodinamico a due scale temporali per risolvere problemi di ottimizzazione con vincoli congiunti di probabilità geometrici e robustezza distribuzionale, dimostrando la convergenza verso l'ottimo globale senza ricorrere ai metodi di risoluzione tradizionali.
Il paper presenta OptiRoulette, un nuovo meta-ottimizzatore stocastico che seleziona dinamicamente le regole di aggiornamento durante l'addestramento, garantendo una convergenza più rapida e affidabile e migliorando significativamente l'accuratezza rispetto a AdamW su diverse suite di classificazione di immagini.
Il paper presenta RECAP, una strategia di apprendimento bio-ispirata che combina dinamiche di reservoir non addestrate con un meccanismo di lettura Hebbiano auto-organizzante per ottenere una classificazione di immagini robusta senza ricorrere alla retropropagazione dell'errore.
Questo articolo presenta un framework evolutivo guidato da modelli linguistici di grandi dimensioni che automatizza la progettazione e l'ottimizzazione completa di tutti i componenti dell'Adaptive Large Neighborhood Search (ALNS), ottenendo prestazioni superiori rispetto alle versioni tradizionali su benchmark logistici e rivelando nuovi pattern di design controintuitivi.