搜索结果: 1-15 共查到“计算神经网络 学习”相关记录95条 . 查询时间(0.375 秒)
中国科学院软件所提出基于模型融合的异构图表示学习方法（图）
软件 模型 神经网络
2025/1/14
2025年1月9日，软件所天基综合信息系统全国重点实验室研究团队在CCF-A类人工智能顶级学术会议the 39th AAAI Conference on Artificial Intelligence（AAAI-25）上发表题为Bootstrapping Heterogeneous Graph̳...
中国科学院声学研究人员提出基于深度学习的地层横波速度层析成像新方法（图）
成像 神经网络 信号
2024/11/4
在地球物理测井过程中，钻井作业引发的岩石机械破碎以及泥浆入侵会致使井壁周围地层发生蚀变，进而造成地层横波速度出现径向变异。精确刻画地层的非均质特性对于定量评价岩石性质至关重要，并能为储层开发提供优化策略。
国家自然科学基金委员会中国学者在脉冲神经网络的类脑学习算法方面取得进展（图）
神经网络 学习算法 数据
2024/8/26
在国家自然科学基金项目（批准号：T2350003、T2341007）等资助下，国科大杭州高等研究院陈洛南研究员团队在脉冲神经网络的类脑学习算法方面取得进展。相关研究成果以“脑启发的混沌脉冲反向传播（Brain-inspired Chaotic Spiking Backpropagation）”为题，于2024年1月30日发表在《国家科学评论》（National Science Review）杂志上...
近日，哈尔滨工业大学电信学院祁嘉然教授团队在全光深度学习领域取得进展，提出基于级联超构表面的矩阵衍射深度神经网络架构。研究成果以《矩阵衍射深度神经网络——极化信息与超构表面器件的融合》（Matrix Diffractive Deep Neural Networks Merging Polarization into Meta-Devices）为题，发表在《激光与光子学评论》（Laser & Pho...
中国科学院软件所在因果图表示学习方面取得进展（图）
神经 网络 理论
2024/6/28
2023年12月29日，中国科学院软件研究所天基综合信息系统重点实验室研究团队的论文Rethinking Causal Relationships Learning in Graph Neural Networks被人工智能领域顶级学术会议Association for the Advancement of Artificial Intelligence（AAAI）接收，共同第一作者为博士生高航、...
一种基于随机权神经网络的类增量学习与记忆融合方法
连续学习 灾难性遗忘 随机权神经网络 再可塑性启发
2024/1/16
连续学习(Continual learning,CL)多个任务的能力对于通用人工智能的发展至关重要.现有人工神经网络(Artificial neural networks,ANNs)在单一任务上具有出色表现,但在开放环境中依次面对不同任务时非常容易发生灾难性遗忘现象,即联结主义模型在学习新任务时会迅速地忘记旧任务。
近些年,联邦学习(Federated learning,FL)由于能够打破数据壁垒,实现孤岛数据价值变现,受到了工业界和学术界的广泛关注.然而,在实际工程应用中,联邦学习存在着数据隐私泄露和模型性能损失的问题.为此,首先对这两个问题进行数学描述与分析.然后,提出一种自适应模型聚合方案,该方案能够设定各参与者的Mini-batch值和自适应调整全局模型聚合间隔,旨在保证模型精度的同时,提高联邦学习训...
中国科学院自动化研究所科学家构建深度脉冲神经网络学习框架（图）
深度脉冲 神经网络 学习框架
2023/10/17
脉冲神经网络（Spiking Neural Network，SNN）被誉为第三代神经网络，使用更低层次的生物神经系统的抽象。它既是神经科学中研究大脑原理的基本工具，又因稀疏计算、事件驱动、超低功耗的特性，备受计算科学的关注。随着深度学习方法的引入，SNN的性能得到大幅提升，脉冲深度学习（Spiking Deep Learning）成为新兴的研究热点。传统SNN框架更多地关注生物可解释性，致力于构建...
一种空间几何角度最大化的随机增量学习模型及应用
随机权神经网络 增量学习 空间几何角度最大化约束 无限逼近性
2024/1/16
针对随机权神经网络(Random weight neural networks,RWNNs)隐含层节点随机生成过程可解释性不足和节点随机生成而导致的网络结构不紧致等问题,提出了一种空间几何角度最大化随机增量学习模型(Stochastic incremental learning model with maximizing spatial geometry angle,SGA-SIM).首先,以空间...
一种基于自监督学习的矢量球面卷积网络
矢量球面卷积网络 自监督学习 三维目标分类 三维目标部分分割
2024/1/17
在三维视觉任务中,三维目标的未知旋转会给任务带来挑战,现有的部分神经网络框架对经过未知旋转后的三维目标进行识别或分割较为困难.针对上述问题,提出一种基于自监督学习方式的矢量型球面卷积网络,用于学习三维目标的旋转信息,以此来提升分类和分割任务的表现.首先,对三维点云信号进行球面采样,映射到单位球上;然后,使用矢量球面卷积网络提取旋转特征,同时将随机旋转后的三维点云信号输入相同结构的矢量球面卷积网络提...
在国家自然科学基金项目（批准号：61732002）资助下，北京航空航天大学钱德沛教授团队与中国科学院计算技术研究所陈天石研究员团队合作，在深度学习处理器体系结构研究方面取得新进展。2023年来深度学习研究取得了巨大进步，已经开始影响社会的生产和生活，与此同时，算力需求也呈指数上升趋势，现有的智能计算硬件难以同时满足高性能和高能效的需求。尽管包括稀疏化和低比特量化在内的多种非精确计算方法等已被证明可...
深度强化学习联合回归目标定位
视觉注意机制 循环神经网络 深度强化学习 目标定位
2024/1/17
为了模拟人眼的视觉注意机制,快速、高效地搜索和定位图像目标,提出了一种基于循环神经网络(Recurrent neural network,RNN)的联合回归深度强化学习目标定位模型.该模型将历史观测信息与当前时刻的观测信息融合,并做出综合分析,以训练智能体快速定位目标,并联合回归器对智能体所定位的目标包围框进行精细调整.实验结果表明,该模型能够在少数时间步内快速、准确地定位目标。
布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕疵的特征,加大布匹瑕疵检测难度。
2023年4月17日，研究所郝沛课题组和中国科学院分子植物科学卓越创新中心李轩课题组合作，在国际学术期刊《Genome Biology》发表了题为“DeepEdit: single-molecule detection and phasing of A-to-I RNA editing events using nanopore direct RNA sequencing”的研究论文。该研究利用深...
Academy of Mathematics and Systems Science, CAS Colloquia & Seminars： 从深度学习到智能空间组学：原理、方法与应用
深度学习 黑箱模型 计算实验
2023/4/18
深度学习作为一种黑箱模型，是通过大量计算实验得到的，其数学原理逐渐引起研究者的广泛关注，同时在各科学领域得到广泛应用。该报告将从两种不同的角度简要介绍深度学习的数学理解与认识：一、从多层卷积稀疏编码模型的编码初始化和字典矩阵设计的角度，建立跨连神经网络与多层卷积稀疏编码模型的等价联系；二、提出深度残差神经网络是在Wasserstein空间学习测地曲线的理论。最后，将简要介绍深度学习如何赋能空间组学...