ニューラルネットワーク

Увійти

ідея - ニューラルネットワーク

本稿では、多入力多出力（MU-MIMO）システムにおける人工知能（AI）支援技術の設計に、等変性に基づく統一フレームワークを提案する。

本論文では、確率的ボラティリティの下での最適資産配分のための深層学習フレームワークを、経験的効用最大化を通じて提示し、S&P 500とVIXデータに基づいて較正された2つの市場モデルに基づく様々なシナリオで、そのアプローチを検証しています。

グラフニューラルネットワーク（GNN）は、深い層構造を持つ場合にノードの特徴が均質化してしまう「過剰平滑化」問題を抱えているが、初期重みの分散を調整することで、過剰平滑化を回避し、深いGNNでもノード特徴の表現力を維持できる。

本稿では、従来のユークリッド空間における深層畳み込みニューラルネットワーク（DCNN）の限界を克服するため、双曲空間における拡張型深層畳み込みニューラルネットワーク（eHDCNN）を提案し、その優れた性能の理論的根拠と実験結果を示しています。

OneNetは、U-Netアーキテクチャの計算コストを削減しながらセマンティックセグメンテーションの精度を維持する、チャネル単位の1D畳み込みとピクセルシャッフルを用いた新しいエンコーダ・デコーダ構造である。

本稿では、ニューラルネットワークを用いて、アメリカンオプションの価格とその双対形式の上限と下限を同時に計算する2つの新しい手法を提案する。

Vision Transformer（ViT）は、オブジェクト間の関係の理解と操作に成功できる場合があり、その処理はオブジェクト表現の抽出と関係の評価という2段階で行われる。

本稿では、偏微分方程式の解作用素を学習する際に、基底関数を活用して関数空間の構造情報を組み込むことで、従来のDeepONetよりも効果的な新しい深層学習フレームワークを提案している。

NeuralDEMは、従来のDEMやCFD-DEMシミュレーションの計算コストの課題を克服し、産業規模の粒子流れのリアルタイムシミュレーションを可能にする、マルチブランチニューラルオペレーターを用いた新しい深層学習フレームワークである。

SAG-ViTは、マルチスケールな特徴表現を効率的に統合することで、従来のビジョントランスフォーマー(ViT)が抱えていた問題を解決し、画像分類のパフォーマンスを向上させる新しいフレームワークである。

Про нас

Продукти

Ресурси