Learning to Generate Genotypes with Neural Networks
神经网络和演化计算有着丰富的相互交织的历史。当进化算法优化强化学习问题的神经网络的参数和拓扑结构时,或者当神经网络被用作替代适应度函数以帮助昂贵的适应度函数的进化优化时,它们最常一起出现。在本文中,我们采取了不同的方法,问的问题是否可以使用神经网络提供一个进化算法的突变分布,这种方法可能提供什么优势?本文研究了两种现代神经网络模型,一种改进的产生随机输出的去噪自编码器和神经自回归分布估计器。结果表明,神经网络的方法来学习基因型是能够解决许多困难的离散问题,如MaxSat和HIFF,并定期优于其他进化技术。
2016-04-14 cs.NE
LAYERS: Yet another Neural Network toolkit
Layers是一个开源的神经网络工具包,旨在提供一种简单的方法来实现现代神经网络。主要用户目标是学生,为此,层提供了一种可以早期采用的简单脚本语言。用户只需关注网络拓扑和参数调整等设计细节。
2016-10-06 cs.NE
A New Constructive Method to Optimize Neural Network Architecture and Generalization
本文在分析了神经网络中泛化能力差和过拟合的原因后,将某些噪声数据看作是一个连续函数的奇异值--跳跃不连续点。连续部分可以用最简单的神经网络来逼近,这种网络具有良好的泛化性能和最优的网络结构,传统的算法有增量训练前馈神经网络的构造算法、BP算法、ELM算法、各种构造算法、RBF逼近和SVM。同时,我们将构造径向基函数神经网络来拟合具有误差的奇异值,并证明了具有跳跃间断点的函数可以由具有误差的衰减径向基函数神经网络的最简单的神经网络来逼近,对于具有跳跃间断点的函数,可以用衰减RBF神经网络构造性地逼近,且构造性部分不存在泛化能力对整个机器学习系统的影响,优化神经网络结构和泛化性能,避免对噪声数据的拟合,减少过拟合现象。
2013-02-02 cs.NE
Using Variable Threshold to Increase Capacity in a Feedback Neural Network
本文提出了使用可变阈值来增加反馈神经网络容量的新结果。非二进制网络也被认为是在这个分析。
2011-06-28 cs.NE
Expressivity of Spiking Neural Networks
本研究比较脉冲神经网络与人工神经网络的表达能力,证明其能实现连续与不连续函数,并给出模拟多层ReLU网络的复杂度界限。
2024-03-15 cs.NE
Forecasting Model for Crude Oil Price Using Artificial Neural Networks and Commodity Futures Prices
本文提出了一种基于多层前向神经网络的原油现货价格短期预测模型。大量的注意力集中在寻找最佳的ANN模型结构。此外,还对几种数据预处理方法进行了试验。我们的方法是根据预处理后的现货价格的滞后值创建一个基准,然后将预处理后的1个月、2个月、3个月和4个月的期货价格逐一相加,也可以一起相加。基准的结果表明,13滞后的动态模型是最佳的预测现货价格方向的短期。此外,市场方向的预测准确率为78%,66%和53%,在未来的一天,两天和三天的结论。对于所有的实验,包括期货数据作为输入,结果表明,在短期内,期货价格确实持有现货价格方向的新信息。所获得的结果将产生对原油动态的全面了解,有助于投资者和个人进行风险管理。
2009-06-26 cs.NE q-fin.PM
Neural Network Processing Neural Networks: An efficient way to learn higher order functions
函数的含义丰富,可以用多种方式解释。神经网络被证明能够逼近一大类函数[1]。在本文中,我们提出了一类新的神经网络,称为“神经网络处理神经网络“(NNPNNs),它输入神经网络和数值,而不仅仅是数值。从而使神经网络能够表示和处理丰富的结构。
2020-01-14 cs.LG cs.NE
Born to Learn: the Inspiration, Progress, and Future of Evolved Plastic Artificial Neural Networks
Loughborough University(拉夫堡大学);University of Central Florida(中佛罗里达大学);IT University of Copenhagen(哥本哈根信息技术大学)
生物可塑性神经网络是一种通过进化、发展和终身学习而形成的具有非凡计算能力的系统。这些因素的相互作用导致了适应性行为和智能的出现。受这种复杂自然现象的启发,进化的塑性人工神经网络(EPANN)使用模拟进化来培育具有各种动力学,架构和可塑性规则的塑性神经网络:这些人工系统由输入,输出和塑性组件组成,这些组件会根据环境中的经验而变化。这些系统可以自主地发现新的自适应算法,并导致生物适应出现的假设。EPANN在过去二十年中取得了相当大的进展。目前人工神经网络的科学和技术进步正在为全新的方法和结果创造条件。特别是,手工设计网络的局限性可以通过更灵活和创新的解决方案来克服。本文汇集了各种鼓舞人心的想法,定义EPANN领域。主要方法和结果进行了综述。最后,提出了新的机遇和发展。
2018-08-08 cs.AI cs.NE
Exponential scaling of neural algorithms - a future beyond Moore's Law?
虽然大脑长期以来一直被认为是未来计算的潜在灵感,但摩尔定律-从超级计算机到智能手机等技术革命的缩放特性-在很大程度上受到材料科学进步的推动。随着晶体管的能力即将结束,人们越来越关注新的计算方法,包括对神经计算潜力的重新热情。本文描述了神经技术的最新进展,其中许多都是在近几十年来计算的快速发展的帮助下,现在重新点燃了这个机会,将神经计算的见解带入更广泛的计算应用。随着我们对大脑的了解越来越多,我们激发新的计算模式的能力也在不断进步。这些新的计算方法,我们已经在深度学习和神经形态硬件等技术中看到了,它们本身将提高我们了解大脑的能力,因此可以预测会产生更进一步的见解。本文将描述这种正反馈如何有潜力改变计算科学和神经科学如何相互作用的局面,并建议计算中的下一种形式的指数缩放可能会出现在我们对大脑的逐步理解中。
2017-07-13 cs.NE q-bio.NC
Convolutional Neural Networks as a Model of the Visual System: Past, Present, and Future
卷积神经网络(CNN)的灵感来自于生物视觉研究的早期发现。它们已经成为计算机视觉的成功工具,以及视觉任务中神经活动和行为的最先进模型。这篇评论强调了在CNN的背景下,成为计算神经科学中的一个好模型意味着什么,以及模型可以提供洞察力的各种方式。具体来说,它涵盖了CNN的起源以及我们将其验证为生物视觉模型的方法。然后,它继续详细阐述了我们可以通过理解和实验CNN来了解生物视觉,并讨论了在基本物体识别之外的视觉研究中使用CNN的新机会。
2020-02-10 cs.CV cs.NE q-bio.NC
A Survey of Recursive and Recurrent Neural Networks
Department of Automation, College of Artificial Intelligence, China University of Petroleum, Beijing, Beijing, China(自动化系、人工智能学院、中国石油大学、北京、北京、中国)
本文系统梳理递归与循环神经网络,按结构、目标函数和学习算法将其分为三大类,阐述模型原理、变形、进展与应用,并展望未来方向。
2025-10-16 cs.AI cs.NE
Self-Organizing Multilayered Neural Networks of Optimal Complexity
研究了非代表学习集下最优复杂度神经网络的自组织原理。提出了多层神经网络的自组织方法,并将其用于逻辑神经网络的训练,应用于医学诊断。
2005-04-13 cs.AI cs.NE
Mastering high-dimensional dynamics with Hamiltonian neural networks
我们详细介绍了如何将物理融入神经网络设计可以显着提高学习和预测的动态系统,甚至是非线性系统的许多维度。一个地图建设的角度阐明了优越性的哈密顿神经网络比传统的神经网络。结果阐明了数据、维数和神经网络学习性能之间的关键关系。
2020-07-28 cs.NE nlin.CD
Sparsely-Connected Neural Networks: Towards Efficient VLSI Implementation of Deep Neural Networks
McGill University(麦吉尔大学)
最近,深度神经网络由于其提取和表示数据集中的高级抽象的能力而受到相当大的关注。深度神经网络(如全连接和卷积神经网络)在广泛的识别和分类任务中表现出出色的性能。然而,由于其高度复杂性,它们的硬件实现目前遭受大硅面积和高功耗。神经网络的功率/能量消耗由存储器访问支配,其中大部分发生在全连接网络中。事实上,它们包含了大部分的深层神经网络参数。在本文中,我们提出了稀疏连接网络,通过展示全连接网络中的连接数量可以减少高达90%,同时提高三种流行数据集(MNIST,CIFAR 10和SVHN)的准确性性能。然后,我们提出了一个有效的硬件架构的基础上,线性反馈移位寄存器,以减少所提出的稀疏连接网络的内存需求。与传统的全连接神经网络实现相比,所提出的架构可以节省高达90%的内存。此外,实施结果表明,减少高达84%的能量消耗的一个神经元的建议稀疏连接的网络相比,一个神经元的全连接神经网络。
2017-03-30 cs.LG cs.NE
Recurrent Neural Networks for Time Series Forecasting: Current Status and Future Directions
Monash University(莫纳什大学)
循环神经网络(RNN)已经成为有竞争力的预测方法,最值得注意的是最近的M4竞赛的获胜方法。然而,ETS和ARIMA等已建立的统计模型不仅因其高准确性而受到欢迎,而且还因其强大,高效和自动化而适用于非专家用户。在这些领域,RNN还有很长的路要走。我们提出了一个广泛的实证研究和现有的RNN预测架构的开源软件框架,使我们能够制定指导方针和最佳实践。例如,我们得出结论,如果数据集中的序列具有均匀的季节模式,则RNN能够直接对季节性进行建模,否则我们建议进行去季节化步骤。与ETS和ARIMA的比较表明,实现的(半)自动RNN模型不是银弹,但在许多情况下它们是有竞争力的替代品。
2020-12-23 cs.LG cs.NE stat.ML
Understanding Vector-Valued Neural Networks and Their Relationship with Real and Hypercomplex-Valued Neural Networks
Universidade Estadual de Campinas (UNICAMP)(坎皮纳斯州立大学)
本文提出向量值神经网络框架 V-nets,通过自然建模特征通道间相关性减少参数并提升训练稳健性,并阐明其与传统实值网络及超复值网络的关系和实现方法。
2024-08-01 cs.LG cs.NE
Universal Approximation Theorem for Vector- and Hypercomplex-Valued Neural Networks
Universidade Estadual de Campinas (UNICAMP)(坎皮纳斯州立大学);Instituto de Pesquisa Eldorado(埃尔多拉多研究所)
本文引入非退化代数概念,将通用逼近定理从实值及部分超复数值神经网络推广到广泛的向量值神经网络。
2024-08-09 cs.LG cs.NE
Geometric Decomposition of Feed Forward Neural Networks
已经有几次尝试从数学上理解神经网络,并且从生物学和计算的角度进行了更多的尝试。在过去的十年里,该领域已经爆炸式发展,但神经网络仍然被视为一个黑匣子。在这项工作中,我们描述了前向神经网络固有的结构。这将为神经网络的未来工作提供一个框架,以改进训练算法,计算网络的同源性和其他应用。我们的方法采用了更几何的观点,不像其他试图从数学上理解神经网络的方法依赖于功能的观点。
2016-12-08 cs.NE math.CO
Collaboration between parallel connected neural networks -- A possible criterion for distinguishing artificial neural networks from natural organs
Sun Yat-sen University(中山大学)
本研究发现并联人工神经网络存在子网络非最优、优劣子网络贡献相当、全子网络错误仍能输出正确结果的特性,提出以此作为区分人工神经网络与天然器官、衡量仿生水平的准则,并验证ReLU激活函数比sigmoid、Tanh更能提升网络仿生度。
2022-08-21 cs.LG cs.NE
On the space of coefficients of a Feed Forward Neural Network
我们定义并建立了“等价神经网络”的条件--具有不同权重、偏差和阈值函数的神经网络产生相同的关联函数。我们证明了给定一个具有分段线性激励的神经网络$\mathcal{N}$,描述所有等价神经网络的系数空间由一个半代数集给出。这个结果是通过使用Tarski-Seidenberg定理研究给定分段线性函数的不同表示来获得的。
2021-09-07 cs.LG cs.NE
An Introductory Review of Spiking Neural Network and Artificial Neural Network: From Biological Intelligence to Artificial Intelligence
Tsinghua University(清华大学);McGill University(麦吉尔大学)
本文综述了脉冲神经网络与人工神经网络,从生物神经元基础、模型、回路连接到学习机制与架构,旨在推动类脑智能和通用人工智能发展。
2022-04-09 cs.AI cs.NE
Neural network feedback controller for inertial platform
本文介绍了一种控制陀螺稳定器的神经网络综合算法。神经网络执行状态向量观测器的角色。说明了观测器在陀螺稳定器反馈中的作用。论文详细阐述了经典算法的一个问题特征阶段:网络结构的选择、神经网络的学习和结果的验证反馈控制。文中给出了神经网络的最优结构,如记忆深度、层数、神经元数和各层的激活函数。提出了利用动态系统的信息来改进神经网络的学习。提供了最佳训练样本的方案创建。
2018-03-12 cs.NE math.DS
Spiking Neural Network Equalization for IM/DD Optical Communication
针对IM/DD链路,设计了一种适用于电子神经形态硬件的脉冲神经网络(SNN)均衡器模型。SNN实现了与人工神经网络相同的误比特率,优于线性均衡。
2022-06-01 cs.NE eess.SP
Performance Analysis Of Neural Network Models For Oxazolines And Oxazoles Derivatives Descriptor Dataset
神经网络已成功地应用于商业、数据采掘、药物发现和生物学等广泛领域。在医学领域,神经网络已广泛应用于医学诊断、新药检测与评价、治疗费用估算等方面。另外,神经网络也开始在以预测、知识发现为目的的数据采掘策略中进行实践。本文将介绍神经网络在恶唑啉类及其衍生物抗结核活性预测和分析中的应用。本研究提出了基于人工神经网络(ANN)模型的单隐层神经网络(SHLFFNN)、梯度下降反向传播神经网络(GDBPNN)、梯度下降反向传播动量神经网络(GDBPMNN)、反向传播权重衰减神经网络(BPWDNN)和分位数回归神经网络(QRNN)的技术。我们比较了五种神经网络技术的性能。通过基准实验的方式来评估每个模型的效率是一个公认的应用。交叉验证和再验证技术通常用于获得性能的点估计,并将其进行比较以识别具有良好性能的方法。用均方根误差(RMSE)、系数确定(???)平均绝对误差(MAE)、平均百分比误差(MPE)和相对平方误差(RSE)。我们发现,所有五个神经网络模型都能够产生可行的模型。QRNN模型在所有统计检验中均优于其他四种模型。
2013-12-10 cs.CE cs.NE
Spiking Neural Networks with Random Network Architecture
Soochow University(苏州大学)
本研究针对脉冲神经网络训练框架不统一、基础问题待解的现状,提出仅需训练部分权重、兼容经典训练方法的RanSNN架构,在保证性能的同时提升了训练效率,兼具通用性与稳定性。
2025-05-19 cs.LG cs.NE
Neuroevolution in Deep Neural Networks: Current Trends and Future Challenges
Maynooth University(梅努斯大学)
各种方法已经应用于人工深度神经网络(DNN)的架构配置和学习或训练。对于大多数问题和应用,这些方法在DNN的成功或失败中起着至关重要的作用。进化算法(EA)作为DNN自动优化和训练的计算可行方法正在获得动力。神经进化是一个术语,它描述了使用EA自动配置和训练DNN的过程。虽然文献中存在许多作品,但目前还没有全面的调查专门关注在DNN中使用神经进化方法的优势和局限性。长期缺乏这样的调查可能会导致一个脱节和碎片化的领域,阻止DNN研究人员在自己的研究中采用神经进化方法,从而失去在现实世界的深度学习问题中提高性能和更广泛应用的机会。本文提出了一个全面的调查,讨论和评估的国家的最先进的作品使用EA的架构配置和培训的DNN。基于这项调查,本文强调了神经进化中最相关的当前问题和挑战,并确定了多个有前途的未来研究方向。
2020-06-09 cs.CV cs.LG cs.NE
General Regression Neural Networks, Radial Basis Function Neural Networks, Support Vector Machines, and Feedforward Neural Networks
这个项目的目的是开发一个代码来发现最大化F1得分的最佳sigma值和最大化准确性的最佳sigma值,并找出它们是否相同。可以用来解决这个问题的四种算法是:遗传回归神经网络(GRNNs),径向基函数(RBF)神经网络(RBFNNs),支持向量机(SVMs)和前馈神经网络(FFNNs)。
2019-11-16 cs.LG cs.NE cs.SY
Cortex Neural Network: learning with Neural Network groups
Purdue University(普渡大学);Department of Computer Science(计算机科学系)
神经网络已成功地应用于许多现实问题,如图像识别和机器翻译。然而,对于当前的神经网络架构,很难执行复杂的认知任务,例如,一起处理图像和音频输入。大脑皮层作为大脑的重要结构,对动物完成复杂的认知任务起着重要作用。我们将大脑皮层的结构视为当前人工神经网络设计中缺失的部分。在本文中,我们的目的皮层神经网络(CrtxNN)。皮层神经网络是一种由大脑皮层驱动的神经网络的上层结构,它可以在同一个学习系统中处理不同的任务。它能够识别不同的任务并使用不同的方法解决它们。在我们的实现中,皮层神经网络能够处理不同的认知任务,并执行反射,以获得更高的准确性。我们提供了一系列的实验,以检查传统的神经网络的皮层架构的能力。实验结果表明,该算法在皮层神经网络上的识别能力在MNIST和CIFAR10上分别达到了98.32%和62%的识别准确率,可以有效地减少40%的损失。
2018-04-10 cs.CV cs.LG cs.NE
Guaranteed Quantization Error Computation for Neural Network Model Compression
Augusta University(奥古斯塔大学)
本文针对量化神经网络压缩,通过合并原网络与量化网络并结合优化和可达性分析计算严格保证的输出量化误差,且以数值示例验证其有效性。
2023-04-26 cs.AI cs.LG cs.NE
One weird trick for parallelizing convolutional neural networks
Google Inc.(谷歌公司)
我提出了一种新的方法来并行化多个GPU上的卷积神经网络的训练。当应用于现代卷积神经网络时,该方法的扩展性明显优于所有替代方案。
2014-04-26 cs.DC cs.LG cs.NE
Linear Leaky-Integrate-and-Fire Neuron Model Based Spiking Neural Networks and Its Mapping Relationship to Deep Neural Networks
IEEE Publication Technology Group(IEEE出版技术组)
脉冲神经网络(SNN)是一种基于脑的机器学习算法,具有生物相容性和无监督学习能力等优点。以前的工作已经表明,将人工神经网络(ANN)转换为SNN是实现SNN的实用且有效的方法。然而,缺乏训练非精度损失SNN的基本原理和理论基础。本文建立了线性泄漏-积分-激发模型(LIF)/SNN的生物学参数与ReLU-AN/深度神经网络(DNN)参数之间的精确数学映射。这种映射关系在一定条件下得到了解析证明,并通过模拟和实际数据实验得到了验证。它可以作为两类神经网络各自优点的潜在结合的理论基础。
2022-05-31 cs.AI cs.LG cs.NE
Is my Neural Network Neuromorphic? Taxonomy, Recent Trends and Future Directions in Neuromorphic Engineering
School of EEE Nanyang Technological University(南洋理工大学电气与电子工程学院)
在本文中,我们回顾了最近的工作发表在过去3年的保护伞下的神经形态工程,分析这些系统之间的共同特点。我们看到,没有明确的共识,但每个系统都具有以下一个或多个特征:(1)模拟计算(2)非冯·诺依曼架构和低精度数字处理(3)脉冲神经网络(SNN),其组件与生物学密切相关。我们比较了最近的机器学习加速器芯片,以表明模拟处理和降低位精度的架构确实具有最佳的吞吐量、能量和面积效率。然而,纯数字架构也可以通过采用非冯·诺依曼架构来实现相当高的效率。鉴于数字硬件设计的设计自动化工具,它提出了一个问题,在不久的将来采用模拟处理的工业设计的可能性。接下来,我们讨论了定义标准和选择适当的基准的神经形态系统设计的进展的重要性,并提出了一些期望的特性,这样的基准。最后,我们将脑机接口作为一个潜在的任务,满足这些基准的所有标准。
2020-02-27 cs.ET cs.LG cs.NE
A Comprehensive Review of Spiking Neural Networks: Interpretation, Optimization, Efficiency, and Best Practices
Rice University(莱斯大学)
生物神经网络继续激发神经网络性能的突破。然而,神经计算的一个关键领域尚未得到充分的重视和研究,这是生物学上合理的、节能的脉冲神经网络,其潜力对于低功耗、移动或其他硬件受限的设置特别有吸引力。我们提出了一个文献综述的解释,优化,效率和准确性的脉冲神经网络的最新发展。主要贡献包括识别、讨论和比较脉冲神经网络优化、能效和评估中的前沿方法,从第一原理开始,以便新从业者可以使用。
2023-03-21 cs.LG cs.NE eess.IV
Deep Neural Networks - A Brief History
Virginia Commonwealth University(弗吉尼亚联邦大学);IITiS Polish Academy of Sciences(波兰科学院信息技术研究所)
介绍深度神经网络及其历史。
2017-01-19 cs.CV cs.LG cs.NE
Energy-efficient Spiking Neural Network Equalization for IM/DD Systems with Optimized Neural Encoding
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
提出基于脉冲神经网络的IM/DD系统均衡器,通过优化神经编码在降低能耗的同时提升性能。
2023-12-20 cs.LG cs.NE eess.SP
Survey of Dropout Methods for Deep Neural Networks
University of Toronto(多伦多大学)
丢弃方法是一种用于神经网络训练或推理的随机技术,已经产生了重大的研究兴趣,并广泛应用于实践。它们已成功地应用于神经网络正则化、模型压缩以及神经网络输出不确定性的度量。虽然最初是针对密集神经网络层制定的,但最近的进展使得丢弃方法也适用于卷积和递归神经网络层。本文总结了辍学方法的历史,他们的各种应用,以及当前的研究兴趣。重要的建议方法进行了详细说明。
2019-10-25 cs.AI cs.LG cs.NE
Perception-Informed Neural Networks: Beyond Physics-Informed Neural Networks
Ferdowsi University of Mashhad(法尔多斯大学)
本文提出感知信息神经网络(PrINNs)框架,通过损失函数整合感知信息与专家知识,扩展物理信息神经网络,支持多种信息形式,实现数据驱动建模,并引入MOEINNs、TKINNs和FINNs等变体,以增强复杂系统建模能力。
2025-05-24 cs.AI cs.LG cs.NE
Scalable Training of Artificial Neural Networks with Adaptive Sparse Connectivity inspired by Network Science
Eindhoven University of Technology(埃因霍温理工大学);The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Derby(德比大学)
通过深度学习在各个领域的成功,人工神经网络目前是最常用的人工智能方法之一。从生物神经网络的网络特性(例如稀疏性、无标度性)中获得灵感,我们认为(与一般实践相反)人工神经网络也不应该具有完全连接的层。在这里,我们提出了人工神经网络的稀疏进化训练,在学习过程中,将两个连续神经元层的初始稀疏拓扑(Erdens-Rényi随机图)进化为无标度拓扑的算法。我们的方法取代人工神经网络全连接层与稀疏的训练前,减少了二次参数的数量,而不降低精度。我们在15个数据集上证明了我们对限制玻尔兹曼机,多层感知器和卷积神经网络的无监督和监督学习的要求。我们的方法有可能使人工神经网络的规模超过目前的可能。
2018-06-20 cs.AI cs.LG cs.NE
Design and development of opto-neural processors for simulation of neural networks trained in image detection for potential implementation in hybrid robotics
University of Cincinnati(辛辛那提大学);Visvesvaraya Technological University(维斯韦斯瓦拉亚理工大学)
本文设计光神经处理器,提出利用光遗传精确激活和基于 STDP 的反向传播间接训练模拟活体神经网络,用于图像检测并可潜在部署于混合机器人,准确率媲美传统训练算法。
2024-01-17 cs.AI cs.ET cs.LG
Feature Weight Tuning for Recursive Neural Networks
Stanford University(斯坦福大学)
本文讨论了如何递归神经网络模型可以自动遗漏无用的信息,并强调重要的证据,换句话说,执行“权重调整”更高层次的表示收购。我们提出了两个模型,加权神经网络(WNN)和二进制期望神经网络(BENN),自动控制有多少一个特定的单元有助于更高层次的表示。所提出的模型可以被看作是一个更强大的组合函数嵌入采集递归神经网络。实验结果表明,显着改善标准的神经模型。
2014-12-13 cs.AI cs.CL cs.LG
Planarian Neural Networks: Evolutionary Patterns from Basic Bilateria Shaping Modern Artificial Neural Network Architectures
Harrisburg University of Science and Technology(哈里斯堡科技大学);Amgen Inc.(安进公司);DevIS LLC(DevIS有限责任公司);Nanjing Audit University(南京审计大学)
本文受涡虫由一个脑和两条神经索构成的神经系统启发,以ResNet为基础提出涡虫式神经网络,并在CIFAR-10/100上验证其图像分类准确率优于基线模型。
2025-01-08 cs.AI cs.CV cs.LG