本稿では、常微分方程式(ODE)の解の構造を模倣した新しいニューラルネットワークアーキテクチャであるニューラル共役フロー(NCF)を紹介し、その優れた推論能力と学習速度を実験的に示す。
本稿では、2層畳み込み二次ニューラルネットワーク(CQNN)の学習を最小二乗問題として定式化することで、解析的な重み表現とシステム理論への応用を可能にする新しい手法を提案する。
本稿では、計算コストの高いベイズニューラルネットワーク(BNN)の推論を高速化するために、Calibration-Emulation-Sampling (CES) 戦略に基づいたFast BNN (FBNN) という新しい手法を提案しています。
複素数値の重みを持つ浅いニューラルネットワークは、活性化関数が二次関数の場合、偽の局所最小値を持たない。これは、実数値の重みを持つ同様のネットワークとは対照的であり、実数値ネットワークでは無数の偽の局所最小値が存在する。
人工ニューラルネットワークにおける高活性化トークンのカテゴリ的収束は、入力ベクトル空間内のカテゴリ的サブディメンションの共活性化によって説明できる可能性があり、これは人間のカテゴリ化における類似性の役割についての洞察を提供する。
畳み込みニューラルネットワーク(CNN)を用いたニューラルスタイル変換(NST)において、活性化スムージングを用いたResNetの利用が、スタイル変換結果の品質と堅牢性を大幅に向上させる。
Bayes2IMCは、デバイス固有の確率性を活用してエネルギー効率の高いベイズニューラルネットワーク推論を実現する、新しいメモリ内コンピューティングアーキテクチャです。
本論文では、ベイジアンバイナリニューラルネットワーク(BBNN)のスパース性を利用した、メモリ内コンピューティング(IMC)アクセラレータの最適化手法を提案する。
複素解析のコーシー積分定理に基づく新しいニューラルネットワークであるXNetは、偏微分方程式の解法や画像分類タスクにおいて、従来のMLPやKANを超える性能を示している。
正則化されたニューラルネットワークの損失地形は、等価な凸問題とその双対問題を考察することで、最適解の構造や接続性、大域最適解へのパス、非一意性などの側面から分析できる。