标签
本文提出了一种用于时变可靠性分析的双域融合LSTM（DDF-LSTM）模型，该模型集成了时间无关的随机变量和随机过程，通过蒙特卡罗模拟高效地估计失效概率。
本综述为强化学习策略的验证方法提供了统一视角，提出了一个按三个维度（验证范式、时间范围和保证强度）分类的方法，并指出了新兴研究方向。
本文提出了一种随机基本图建模的半参数框架，该框架结合了物理约束函数形式与神经网络结构，以捕捉复杂的交通流模式和不确定性，并在真实世界数据集上展示了优越性能。
Google Research 表明，扩散模型的创造力是神经网络正则化导致得分平滑和插值的数学结果，揭开了它们能够生成新数据而不仅仅是记忆的能力的神秘面纱。
本文提出了一种面向延迟的神经网络学习方法，使用Zerorized Batch Normalization优化严格延迟约束下边缘系统的DNN架构。实验表明，在NVIDIA Jetson设备上，该方法在精度损失极小的情况下显著降低了延迟。
引入跨轨迹嵌合体干预，以分离权重大小和方向在Grokking中的作用，表明方向携带可转移的电路身份，而范数影响被覆盖的敏感性。
提出了一种模型，用于填补深度相机在遇到玻璃墙等透明表面时缺失的深度数据，解决了常见的传感器局限性。
提出M-QCDNet，一种结构感知的深度学习架构，嵌入多层Q矩阵以增强认知诊断中的心理测量可解释性。
一个使用强化学习训练的虚拟生物被添加了毛发和声音，声音直接从神经网络激活值生成，通过JAX和MuJoCo训练，并使用three.js和WebGPU渲染，呈现出在地板上爬行的逼真效果，兼具艺术与研究性质。
FLYNN 是一种从果蝇大脑连接组导出的循环神经网络，用于基于视觉的机器人导航。它在性能上与手工设计的网络相当，同时对分布外数据和感觉丧失表现出更强的鲁棒性。
介绍 Neuro-Bayesian-Symbolic Residual Attention Shallow Network (NBS-RASN)，一种用于开源生态系统中可解释网络安全风险评估的混合神经架构，使用80个可解释神经元分布在12层，并带有硬约束以保证可解释性。
本文提出了Dualformer，一种基于Transformer的双通道神经网络架构，旨在从盲通信分析任务（如自动调制识别、信号体制识别和信号结构解析）中的复数信号中高效提取特征。大量实验表明，与现有方法相比，该方法在性能上持续提升。
Alexia Jolicoeur-Martineau是TRM的唯一作者，在一个小型双层网络上突破递归极限，在ARC-AGI上取得了令人瞩目的表现。她已加入微软担任首席研究员。
本文提出CA-NKCF，一种结合部分领域知识与深度神经网络的新型分布式潜在状态估计器，无需噪声统计知识即可实现鲁棒性能，在线性、混沌及无线追踪环境中优于传统滤波器。
本文介绍了一个统一的决策理论预训练框架，用于基于神经网络的时间序列估计器，该框架在分层模拟上进行训练以逼近近最优决策规则。实验表明，所得估计器在合成和现实基准上均优于最大似然估计等传统方法。
一条推文，推广从零开始在C++中构建神经网络的指南，旨在提供关于神经网络工作原理的清晰而实用的解释。
新研究指出，规模化AI模型中看似出现的“全局收敛”实际是模型宽度和深度选择偏差造成的统计幻觉，一旦校准即消失。
Garry Tan 分享了 GBrain 的完整架构，这是一个 AI 模型。
一套覆盖神经网络核心概念的四张卡片：神经元、前向传播、激活函数和反向传播，旨在帮助学习者理解从感知机到Transformer等模型的工作原理。