論文の概要: Neural network models
- arxiv url: http://arxiv.org/abs/2301.02987v1
- Date: Sun, 8 Jan 2023 05:52:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-10 16:40:47.927215
- Title: Neural network models
- Title(参考訳): ニューラルネットワークモデル
- Authors: Plamen Dimitrov
- Abstract要約: この研究は、ニューラルネットワークに関連する数学モデルの現在のコレクションを示す。
認知能力の選択を達成するために、構造と力学を拡張した新しいファミリーを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: This work presents the current collection of mathematical models related to
neural networks and proposes a new family of such with extended structure and
dynamics in order to attain a selection of cognitive capabilities. It starts by
providing a basic background to the morphology and physiology of the biological
and the foundations and advances of the artificial neural networks. The first
part then continues with a survey of all current mathematical models and some
of their derived properties. In the second part, a new family of models is
formulated, compared with the rest, and developed analytically and numerically.
Finally, important additional aspects and any limitations to deal with in the
future are discussed.
- Abstract(参考訳): 本研究は、ニューラルネットワークに関連する数学的モデルの現在のコレクションを提示し、認知能力の選択を達成するために、拡張された構造とダイナミクスを持つ新しいファミリーを提案する。
それはまず、生物の形態と生理学に関する基礎的背景と、ニューラルネットワークの基礎と進歩を提供することから始まります。
第1部は、現在の全ての数学的モデルとその導出的性質に関する調査を継続する。
第2部では、他のモデルと比較して新しいモデル群を定式化し、解析的および数値的に展開する。
最後に、将来に対処すべき重要な追加的な側面と制限について論じる。
関連論文リスト
- Web Neural Network with Complete DiGraphs [8.2727500676707]
現在のニューラルネットワークは、神経細胞、畳み込み、再発などの脳構造を曖昧に模倣する構造を持っている。
本稿では、ニューロン接続にサイクルを導入し、他のネットワーク層でよく見られるシーケンシャルな性質を除去することにより、新たな構造特性を付加する。
さらに、モデルには、ニューラルネットワークにインスパイアされた連続的な入力と出力があり、ネットワークは最終結果を返すのではなく、分類のプロセスを学ぶことができる。
論文 参考訳(メタデータ) (2024-01-07T05:12:10Z) - Towards Graph Foundation Models: A Survey and Beyond [68.35562541338865]
ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。
基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。
本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
論文 参考訳(メタデータ) (2023-10-18T09:31:21Z) - A new family of Constitutive Artificial Neural Networks towards
automated model discovery [0.0]
ニューラルネットワークは、基礎となる物理の知識を必要とせずに、大きなデータから関数関係を学習できる強力な近似器である。
本稿では,ユーザ定義モデル選択から自動モデル発見へのパラダイムシフトの可能性を示す。
論文 参考訳(メタデータ) (2022-09-15T18:33:37Z) - Neuromorphic Artificial Intelligence Systems [58.1806704582023]
フォン・ノイマンアーキテクチャと古典的ニューラルネットワークに基づく現代のAIシステムは、脳と比較して多くの基本的な制限がある。
この記事では、そのような制限と、それらが緩和される方法について論じる。
これは、これらの制限が克服されている現在利用可能なニューロモーフィックAIプロジェクトの概要を示す。
論文 参考訳(メタデータ) (2022-05-25T20:16:05Z) - EINNs: Epidemiologically-Informed Neural Networks [75.34199997857341]
本稿では,疫病予測のための新しい物理インフォームドニューラルネットワークEINNを紹介する。
メカニスティックモデルによって提供される理論的柔軟性と、AIモデルによって提供されるデータ駆動表現性の両方を活用する方法について検討する。
論文 参考訳(メタデータ) (2022-02-21T18:59:03Z) - Constructing Neural Network-Based Models for Simulating Dynamical
Systems [59.0861954179401]
データ駆動モデリングは、真のシステムの観測からシステムの力学の近似を学ぼうとする代替パラダイムである。
本稿では,ニューラルネットワークを用いた動的システムのモデル構築方法について検討する。
基礎的な概要に加えて、関連する文献を概説し、このモデリングパラダイムが克服すべき数値シミュレーションから最も重要な課題を概説する。
論文 参考訳(メタデータ) (2021-11-02T10:51:42Z) - Dynamic Neural Diversification: Path to Computationally Sustainable
Neural Networks [68.8204255655161]
訓練可能なパラメータが制限された小さなニューラルネットワークは、多くの単純なタスクに対してリソース効率の高い候補となる。
学習過程において隠れた層内のニューロンの多様性を探索する。
ニューロンの多様性がモデルの予測にどのように影響するかを分析する。
論文 参考訳(メタデータ) (2021-09-20T15:12:16Z) - On the Evolution of Neuron Communities in a Deep Learning Architecture [0.7106986689736827]
本稿では,ディープラーニングに基づく分類モデルのニューロン活性化パターンについて検討する。
コミュニティの品質(モジュラリティ)とエントロピーの両方が、ディープラーニングモデルのパフォーマンスと密接に関連していることを示す。
論文 参考訳(メタデータ) (2021-06-08T21:09:55Z) - Computational Morphology with Neural Network Approaches [5.913574957971709]
ニューラルネットワークのアプローチは計算形態学にも適用されており、大きな成功を収めている。
本稿では、計算形態学の簡単な紹介と、ニューラルネットワークによる計算形態学に関する最近の研究のレビューから始める。
計算形態学へのニューラルネットワークアプローチの利点と問題点を分析し、今後の研究や研究で探求すべき方向性を指摘する。
論文 参考訳(メタデータ) (2021-05-19T21:17:53Z) - Neural population geometry: An approach for understanding biological and
artificial neural networks [3.4809730725241605]
生体および人工ニューラルネットワークの機能に関する洞察を提供する幾何学的アプローチの例を概観する。
神経集団幾何学は、生体と人工のニューラルネットワークにおける構造と機能の理解を統一する可能性がある。
論文 参考訳(メタデータ) (2021-04-14T18:10:34Z) - The Neural Coding Framework for Learning Generative Models [91.0357317238509]
本稿では,脳の予測処理理論に触発された新しい神経生成モデルを提案する。
同様に、私たちの生成モデルにおける人工ニューロンは、隣接するニューロンが何をするかを予測し、予測が現実にどの程度一致するかに基づいてパラメータを調整します。
論文 参考訳(メタデータ) (2020-12-07T01:20:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。