65 papers
Dit paper presenteert een diep learning-gebaseerd raamwerk dat door gezamenlijke ontdekking van coördinaten en stroomkaarten de computationele efficiëntie van multischaal-systemen verbetert met state-of-the-art voorspellende nauwkeurigheid en lagere kosten.
Dit paper introduceert MLES, een nieuwe aanpak die multimodale grote taalmodellen combineert met evolutionaire zoekopdrachten om transparante, verifieerbare en mensgerichte programmatieke controlepolities te genereren die prestatie-technisch vergelijkbaar zijn met diepe versterkingsleermethoden.
Deze paper introduceert een energiebewust spike-budgeteringskader voor continue learning in spiking neural networks dat, door ervaringen te herhalen en neuronparameters aan te passen, zowel de nauwkeurigheid verbetert als het energieverbruik verlaagt voor zowel frame-gebaseerde als event-gebaseerde neuromorfe visiesystemen.
Het paper introduceert B-DENSE, een nieuw raamwerk dat de inferentie-efficiëntie van diffusiemodellen verbetert door middel van multi-branch trajectalignatie, waardoor een studentmodel dichte tussenstappen van de leraar leert om discretisatiefouten te verminderen en de beeldkwaliteit te verhogen.
Dit onderzoek toont aan dat de synergetische integratie van Leaky Integrate-and-Fire-neuronen, Supervised Contrastive Learning, Hopfield-netwerken en HGRN in spiking neural networks leidt tot een evenwichtige verbetering van nauwkeurigheid, energie-efficiëntie en geheugenstructuur voor neuromorfe visie.
Dit artikel introduceert HOC-L, een unificerend dynamisch kader dat hyperbolische structurele plasticiteit en Kuramoto-fasesynchronisatie combineert via een synchroon-gedreven leermechanisme om bio-geïnspireerde, schaarse neurale netwerken te stabiliseren met bewezen convergentie en lage complexiteit.
Deze studie introduceert een Physics-Informed Neural Network (PINN)-framework dat robuust biophysieke parameters en verborgen toestandsvariabelen kan reconstrueren uit gedeeltelijke en ruisbeïnvloede waarnemingen in multischaal neuronale systemen, waarbij het de beperkingen van traditionele numerieke methoden overwint.
Deze paper introduceert een exacte en architectuurgetrouwe maatstaf voor de vlakheid van CNN-modellen, gebaseerd op een gesloten vorm voor de Hessiaanse trace, die een robuuste voorspelling biedt voor het generalisatievermogen en de ontwerpkeuzes van deze netwerken.
Dit artikel introduceert DendroNN, een energiezuinig, niet-gedifferentieerd neuronaal netwerk dat inspiratie put uit dendritische sequentiedetectie om event-based data te verwerken en via een asynchrone hardware-architectuur een tot vier keer hogere efficiëntie bereikt dan bestaande neuromorfe systemen.
Dit paper introduceert een methode op basis van genetische programmering voor de symbolische ontdekking van stochastische differentiaalvergelijkingen, waarbij drift- en diffusiefuncties gezamenlijk worden geoptimaliseerd om interpreteerbare wiskundige uitdrukkingen te leren die zowel deterministische dynamica als ruiscomponenten nauwkeurig modelleren.
Dit artikel presenteert een biologisch plausibel formalisme dat backpropagation through time benadert via een variatiele latente evenwichtstoestand, waardoor een lokaal en continu mechanisme voor spatiotemporale credit assignment in neurale netwerken wordt verkregen.
Dit artikel presenteert een witte-doos SVM-framework, geoptimaliseerd met zwermalgoritmen, voor het toezicht op tandvormige freesmessen door middel van karakterisering van asvibraties en selectie van relevante statistische kenmerken.
Dit artikel biedt een overzicht van cognitieve modellering in robotica op basis van utiliteitstheorie, waarbij de evolutie van gedragsgebaseerde robotica naar waardenystemen wordt besproken en de toepassing daarvan in enkel- en multi-agent systemen, vertrouwen en mens-robotinteractie wordt geanalyseerd, om tenslotte veelbelovende onderzoeksrichtingen en open problemen te identificeren.
Dit artikel presenteert een energiezuinige analoge spiking-neuron in 28 nm CMOS-technologie die slechts 1,61 fJ per spike verbruikt en, gecombineerd met een gekwantiseerd spiking-neuraal netwerk, een nauwkeurigheid van 82,5% bereikt op de MNIST-dataset, wat de potentie aantoont voor hoogpresterende embedded machine learning-toepassingen.
Deze paper weerlegt de vaak te optimistische aannames over de energie-efficiëntie van spiking neural networks door een rigoureuze vergelijking met kwantiseerde neurale netwerken te maken en aantoont dat SNNs alleen onder specifieke voorwaarden, zoals een lage spierate, daadwerkelijk energiebesparend zijn, wat kan leiden tot een verdubbeling van de batterijduur van apparaten zoals smartwatches.
Deze studie vergelijkt een interpreteerbare ANFIS-FBCSP-PSO-methode met het diep-learningmodel EEGNet voor motorische imaginatie-EEG-classificatie en concludeert dat de fuzzy-neurale aanpak beter presteert bij binnen-subjecttests, terwijl EEGNet superieure generalisatie biedt bij cross-subjecttests, waardoor de keuze afhankelijk is van het ontwerpdoel: interpreteerbaarheid of robuustheid.
Dit artikel introduceert een tweestaps neurodynamische aanpak op basis van projectievergelijkingen om distributie-robuste geometrische gezamenlijke kansbeperkte optimalisatieproblemen op te lossen, waarbij onbekende verdelingen binnen onzekerheidssets worden behandeld en convergentie naar het globale optimum wordt gegarandeerd zonder gebruik van traditionele methoden.
Dit paper introduceert OptiRoulette, een nieuwe stochastische meta-optimizer die tijdens het trainen dynamisch update-regels selecteert en hiermee de convergentie tot 5,3 keer versnelt en de testnauwkeurigheid op diverse beeldclassificatiedatasets aanzienlijk verbetert ten opzichte van de standaard AdamW-baseline.
Het artikel introduceert RECAP, een bio-geïnspireerde methode voor beeldherkenning die ongeleide reservoir-dynamica combineert met een lokaal Hebbiaans prototype-leesmechanisme om robuuste classificatie te bereiken zonder gebruik van backpropagation.
Deze paper introduceert een gesloten-lus, door grote taalmodellen aangedreven evolutionair kader dat alle componenten van Adaptive Large Neighborhood Search (ALNS) automatisch herbouwt en zo, met name op grote schaal, aanzienlijk betere oplossingskwaliteit en strategische diversiteit bereikt dan handmatig ontworpen ALNS-baselines.