23 papers
Dit onderzoek toont aan dat 1D-CNN-modellen, in tegenstelling tot LSTM's, een meer praktische en efficiënte keuze zijn voor TinyML-toepassingen op beperkte apparaten, omdat ze vergelijkbare of hogere nauwkeurigheid bieden met aanzienlijk minder geheugen- en rekeneisen.
Dit paper introduceert FluxSieve, een unificerend architectuurconcept dat stream- en analytische data-planes samenvoegt door ingebouwde, lichtgewicht voorverwerking en filtering tijdens data-inname, wat leidt tot een tot orde van grootte betere queryprestaties in schaalbare cloudobservabiliteitsplatforms met verwaarloosbare extra kosten.
Dit onderzoek toont aan dat Conservative Q-Learning de meest robuuste keuze is voor offline versterkingslering in stochastische netwerkontwikkeling, hoewel sequentiemethoden concurrerend kunnen zijn wanneer er voldoende hoogwaardige trajecten beschikbaar zijn.