66 papers
Dit artikel beschrijft een neurale implementatie van fuzzy cognitive maps, genaamd FHM, die met behulp van Langevin-differentiaal dynamica causale patronen leert en een omgekeerde oplossing biedt om outputwaarden aan te passen aan specifieke beleidsdoelen, waarna de prestaties op diverse datasets zijn geëvalueerd.
Dit paper introduceert D2MOE, een nieuwe methode die dubbelzijdige multischaal-kenmerken en een multi-objectieve evolutionaire algoritme combineert om de nauwkeurigheid van de voorspelling van intrinsiek ongeordende eiwitgebieden te verbeteren door optimale fusie-architecturen automatisch te ontdekken zonder handmatig ontwerp.
Het paper introduceert NOBLE, een architecturale uitbreiding die permanente niet-lineaire laag-rang takken toevoegt aan transformer-lijnen voor training vanaf nul, wat leidt tot aanzienlijke verbeteringen in trainingsefficiëntie en een snellere convergentie met minimaal extra parameteroverhead.
Dit artikel introduceert een reproduceerbaar hybride quantum-klassiek raamwerk met een Deep Quantum Neural Network dat residue-pKa-waarden nauwkeuriger voorspelt door quantum-geïnspireerde kenmerken te integreren met klassieke structurele descriptors, waardoor de generalisatie over diverse biochemische omgevingen aanzienlijk wordt verbeterd.
Dit werk toont aan dat een driedimensionaal ReLU-netwerkarchitectuur met verhoogde hoogte aanzienlijk efficiëntere benaderingen mogelijk maakt voor analytische en -functies, waardoor zowel exponentiële convergentie voor analytische klassen als kwantitatieve, niet-asymptotische benaderingen voor hoge-orde -functies worden bereikt.
Dit artikel introduceert een kwantummechanisch raamwerk dat kwantisatiegebaseerde optimalisatie koppelt aan de Schrödingervergelijking, waardoor kwantumtunneling lokale minima overwint en een thermodynamische interpretatie biedt voor het garanderen van globale convergentie in zowel combinatorische als continue optimalisatieproblemen.
Dit artikel introduceert topologische DeepONets die operatoren tussen willekeurige lokaal convexe ruimten en functieruimtes uniform kunnen benaderen, waarmee het klassieke Chen-Chen-benaderingstheorema wordt uitgebreid tot een meer algemene topologische setting.
Dit paper introduceert ScenarioFuzz, een baanbrekende fuzzing-methode die gebruikmaakt van historische testdata en een grafische neurale netwerken om autonome rijstelsels te testen zonder vooraf gedefinieerde scenario's, waardoor de tijdskost met 60,3% wordt verminderd en de ontdekking van fouten met 103% wordt verhoogd.
Deze studie toont aan dat symmetrische reservoirnetwerken de voorspellingsnauwkeurigheid voor niet-lineaire dynamische systemen met een beperkt aantal vrijheidsgraden aanzienlijk verbeteren, terwijl deze topologische eigenschap weinig invloed heeft op sterk chaotische, hoogdimensionale systemen.
Dit paper introduceert het EIGen-model, dat gebruikmaakt van voorspellende neurale netwerken om nieuwe visuele bewegingsillusies te genereren die ook mensen misleiden, en ondersteunt hiermee het idee dat illusies het gevolg zijn van de voorspellende mechanismen van de hersenen in plaats van directe visuele input.
Het paper introduceert LLEMA, een geïntegreerd kader dat grote taalmodellen combineert met evolutionaire zoekalgoritmen en geheugengebaseerde verfijning om op een efficiënte en haalbare manier nieuwe materialen te ontdekken die voldoen aan meerdere, vaak tegenstrijdige, doelstellingen.
Dit artikel introduceert Yukthi Opus, een hybride metaheuristiek die Markov Chain Monte Carlo, lokaal zoeken en gesimuleerde afkoeling combineert in een tweefasenarchitectuur om kostbare NP-moeilijke optimalisatieproblemen efficiënt op te lossen binnen strikte evaluatiebudgetten.
Dit werk ontwikkelt een dynamische theorie voor sequentiële herinneringsopvraging in input-gedreven Hopfield-netwerken door een tweeschaalige architectuur te analyseren die snelle associatieve herinnering koppelt aan langzame redeneerdynamica, waardoor expliciete voorwaarden voor zelfonderhoudende geheugenovergangen worden afgeleid.
Het artikel introduceert Evolution 6.0, een autonoom robotsysteem dat door middel van generatieve AI en modellen voor taal, visie en 3D-ontwerp zelfstandig gereedschap ontwerpt en aanleert om menselijke taken uit te voeren.
Dit paper introduceert Akkumula, een nieuw modeleringskader voor evidence-accumulatie in rijgedrag dat gebruikmaakt van Spiking Neural Networks om realistische, schaalbare en transparante voertuigbesturingsmodellen te creëren die versnelling, remming en sturen nauwkeurig nabootsen.
Dit paper introduceert AutoQD, een theoretisch onderbouwde methode die Markov-beslissingsprocessen en random Fourier-features gebruikt om automatisch gedragsbeschrijvers te genereren voor Quality-Diversity-optimatie, waardoor diverse hoogpresterende beleidsregels kunnen worden ontdekt zonder handmatige domeinkennis.
Dit paper introduceert CaRe-BN, een methode die door het gebruik van een op vertrouwen gebaseerde aanpassingsstrategie en een herkalibratiemechanisme de stabiliteit en prestaties van Spiking Neural Networks in versterkingslering significant verbetert zonder de energie-efficiëntie tijdens de inferentie te beïnvloeden.
Deze paper introduceert 'Soft QD', een nieuwe formulering van kwaliteits-diversiteitsoptimalisatie die discretisatie overbodig maakt en leidt tot het schaalbare, differentieerbare algoritme SQUAD, dat concurrerend is met de state-of-the-art op standaard benchmarks en beter presteert in hoogdimensionale ruimtes.
NeuroPareto is een geïntegreerd architectuur dat geavanceerde filtertechnieken, onzekerheidsontkoppeling en een online getraind acquisitienetwerk combineert om efficiënt optimale oplossingen te vinden in complexe, veel-doel optimalisatieproblemen met hoge rekentijd, wat resulteert in superieure prestaties vergeleken met bestaande methoden.
Dit paper introduceert mlx-snn, de eerste native bibliotheek voor spiking neural networks op Apple Silicon, die dankzij het MLX-framework aanzienlijk snellere training en lager geheugengebruik biedt dan bestaande PyTorch-gebaseerde oplossingen.