IEEE Transactions on Neural Networks and Learning Systems, Volume 35, Number 9, September 2024
1) 特邀编辑：图学习专题作者：Feng Xia、Renaud Lambiotte、Neil Shah、Hanghang Tong、Irwin King页数：11630 - 116332) 用于异质图学习的置换等变图框架作者：Jianfei Li、Ruigang Zheng、Han Feng、Ming Li、Xiaosheng Zhuang页数：11634 - 116483) MARML：多层网络中基于主题感知的深度表示学习作者：Da Zhang、Mansur R. Kabuka页数：11649 - 116604) 面向极端数据稀缺的稳健图半监督学习作者：Kaize Ding、Elnaz No
A new way to build neural networks could make AI more understandable
对人工神经元在神经网络中的工作方式进行调整可以使人工智能更容易被解读。人工神经元——深度神经网络的基本组成部分——几十年来几乎没有变化。虽然这些网络赋予了现代人工智能力量，但它们也是难以捉摸的。现有的人工神经元，用于 GPT4 等大型语言模型，工作方式……
IEEE Transactions on Neural Networks and Learning Systems, Volume 35, Issue 8, August 2024
1) 自主视觉感知的开放式在线学习作者：Haibin Yu, Yang Cong, Gan Sun, Dongdong Hou, Yuyang Liu, Jiahua Dong页数：10178 - 101982) 连续时间强化学习控制：理论结果回顾、性能洞察和新设计需求作者：Brent A. Wallace, Jennie Si页数：10199 - 102193) 可解释人工智能归纳逻辑编程技术评论作者：Zheng Zhang, Levent Yilmaz, Bo Liu页数：10220 - 102364) 离线强化学习调查：分类、评论和开放问题作者：Rafael Figueiredo Pru
Predicting Soil Moisture Content Using Physics-Informed Neural Networks (PINNs)
摘要：近地表土壤含水量等环境条件是物体检测问题中的宝贵信息。然而，如果没有主动感知，通常无法以必要的规模获得此类信息。理查兹方程是一个描述非饱和土壤入渗过程的偏微分方程 (PDE)。求解理查兹方程可以得到有关土壤体积含水量、水力传导率和毛细管压力头的信息。然而，由于理查兹方程的非线性，它很难近似。有限差分法 (FDM) 和有限元法 (FEM) 等数值求解器是近似理查兹方程解的常规方法。但此类数值求解器在实时使用时非常耗时。物理信息神经网络 (PINN) 是依赖物理方程近似解的神经网络。一旦经过训练，这些网络就可以快速输出近似值。因此，PINN 在数值 PDE 社区中引起了广泛关注。该项目旨在将
IEEE Transactions on Neural Networks and Learning Systems, Volume 35, Issue 7, July 2024
1) 联邦学习中的隐私和稳健性：攻击与防御作者：Lingjuan Lyu、Han Yu、Xingjun Ma、Chen Chen、Lichao Sun、Jun Zhao、Qiang Yang、Philip S. Yu页数：8726 - 87462) 测量解缠：指标回顾作者：Marc-André Carbonneau、Julian Zaïdi、Jonathan Boilard、Ghyslain Gagnon页数：8747 - 87613) 深度强化学习中的探索：从单智能体到多智能体领域作者：Jianye Hao、Tianpei Yang、Hongyao Tang、Chenjia Bai、Jiny
Rogue Waves: Predicting the Unpredictable With Advanced Neural Networks
一种利用神经网络技术的新工具可以使用来自海洋浮标的数据，提前五分钟预测流氓波，准确率达到 75%……
Neural Network (MLP) for Time Series Forecasting in Practice | by Daniel J. TOTH | Jul, 2024
时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常熟悉的数据科学问题。存在几种预测方法，为了便于理解和更好地概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，Daniel J. TOTH 于 2024 年 7 月发表的《神经网络 (MLP) 在时间序列预测中的应用》一文首次出现在 AI Quantum Intelligence 上。
Neural Network (MLP) for Time Series Forecasting in Practice
特征工程和构建 MLP 模型的实用示例简介时间序列，更具体地说是时间序列预测，是专业人士和商业用户中非常著名的数据科学问题。存在几种预测方法，为了理解和更好的概述，可以将其归类为统计或机器学习方法，但事实上，对预测的需求如此之高，以至于可用的选项非常丰富。机器学习方法被认为是时间序列预测中最先进的方法，并且越来越受欢迎，因为它们能够捕捉数据中复杂的非线性关系，并且通常可以提高预测的准确性 [1]。一个流行的机器学习领域是神经网络领域。具体来说，对于时间序列分析，循环神经网络已被开发并应用于解决预测问题 [2]。数据科学爱好者可能会发现此类模型背后的复杂性令人生畏，作为你们中的一员，我可以说我也
稳健性对于在实际应用中部署深度学习模型至关重要。自 2020 年代推出以来，视觉变换器 (ViT) 在各种视觉任务中表现出强大的稳健性和最先进的性能，优于传统 CNN。大核卷积的最新进展重新引起了人们对 CNN 的兴趣，表明它们可以匹敌或超过 ViT 性能。然而，这篇文章《探索稳健性：大核卷积网络与卷积神经网络 CNN 和视觉变换器 ViT 的比较》首先出现在 AI Quantum Intelligence 上。
Revealing the Utilized Rank of Subspaces of Learning in Neural Networks
在这项工作中，我们研究了神经网络的学习权重如何很好地利用可用的空间。这个概念与容量有关，但还结合了网络架构与数据集的交互。大多数学习到的权重似乎是满秩的，因此不适合低秩分解。这误导性地暗示权重正在利用它们可用的整个空间。我们提出了一种简单的数据驱动转换，将权重投影到数据和权重相互作用的子空间上。这保留了功能映射……
Neural Networks Made of Light: Photon Power Drives the Next AI Revolution
马克斯普朗克研究所开发了一种用于神经网络的新型光学系统，为当前方法提供了一种更简单、更节能的替代方案......
Новая нейросеть Ростеха повысит дальность обнаружения БЛА на 40%
俄罗斯电子控股公司“Cyclone”中央研究所开发了一种用于检测无人机的光学手段的神经网络，这将使无人机的航程增加 40%。
Новая нейросеть Ростеха повысит дальность обнаружения БПЛА на 40%
开发人员结合了多个优化的神经网络，这使他们能够实现累积效果
Implementing Neural Networks in TensorFlow (and PyTorch)
构建神经网络的分步代码指南继续阅读 Towards Data Science »
