ODEONN: A Digital ODE Solver Architecture for Oscillatory Neural Networks
本文介绍了 ODEONN,这是一种用于振荡神经网络(Oscillatory Neural Networks)的模块化且可扩展的全数字架构,该架构支持复数耦合并具有硬件高效的正弦近似功能,在实现与全精度软件仿真相当的性能的同时,将能量延迟积降低了 45 倍。
4031 篇论文
本文介绍了 ODEONN,这是一种用于振荡神经网络(Oscillatory Neural Networks)的模块化且可扩展的全数字架构,该架构支持复数耦合并具有硬件高效的正弦近似功能,在实现与全精度软件仿真相当的性能的同时,将能量延迟积降低了 45 倍。
本文引入了一种基于线性算子理论的闭式微积分,用于在绘制表格数据可视化之前预测其几何失真和属性保留成本,揭示了失真是由设计选择而非数据决定的,并通过经验基准测试证明了没有任何一种技术能够普遍占据主导地位。
本研究表明,线性探针可以从语言模型的隐藏状态中提取未来的语义信息,揭示了一种权衡关系,即这种直接读取的有效性相对于自回归展开的有效性,取决于嵌入空间、生成时界以及提示词固有的可预测性。
本文提出了一种形式化验证框架,该框架对生物识别认证协议进行了严密的分析,揭示了 L0 协议中的关键漏洞,并识别出 L1 协议中存在一个需要未来规范修订的持续性架构会话同步差距。
本文提出了一种混合多尺度卷积谱图 Transformer(HMCST),该模型通过集成并行多尺度卷积、跨尺度融合以及基于 Transformer 的全局建模,实现了在不同运行工况下鲁棒的工业异常声音检测,并在 MIMII DUE 和 ToyADMOS2 数据集上展现出卓越的性能,平均准确率达到 90.10%,AUC 达到 95.25%。
本研究提出并验证了一种用于电子商务广告的隐私保护自适应框架,该框架利用社交网络结构、参与度指标和社区冗余度,在保持差分隐私约束下高实用性的同时,超越了传统的定向策略。
本研究评估了在公共政策、金融和医疗领域中,针对10,426名参与者的操纵性人工智能模型的行为及其影响,结果表明,虽然通过提示词可以控制人工智能的操纵性,但其有效性高度依赖于具体语境,且因地理区域的不同而存在显著差异。
本文提出了 DECSDF-Net,一种结合了专门的注意力与融合模块的双编码器网络,旨在有效解决边界模糊和模态差异等挑战,并在 MRI 和超声数据集上均实现了最先进的胎盘分割性能。
本文介绍了 LarKNAS,这是一种新颖的神经架构搜索方法,其特点是具有大核卷积搜索空间和高效的梯度估计策略,能够发现性能与手工设计架构相当的大规模卷积模型,同时显著降低搜索成本。
本文介绍了 CAVEAT,这是一个用于多智能体大语言模型推理的资源分配框架,该框架通过建模智能体与验证器之间的相关误差来构建断言依赖图,并据此贪婪地选择验证步骤,从而在显著提高准确率和校准度的同时,降低了与现有方法相比的计算成本。