Chua, M. et al. Abordar la incertidumbre de predicción en el aprendizaje automático para la atención médica. Nat. Biomed. Ing. 7711–718 (2023).
Artículo PubMed Google Scholar
Bhardwaj, R. y Tripathi, I. Un algoritmo de ocultación de datos reversibles mejorados que utiliza una red neuronal profunda para E-Healthcare. J. Amb. Intell. Humaniz. Computación. 1410567–10585 (2023).
Artículo Google Scholar
Nandy, S. et al. Un sistema inteligente de predicción de enfermedades cardíacas basado en la red neuronal artificial enjambre. Computación neuronal. Aplicación 3514723–14737 (2023).
Artículo Google Scholar
Jaafar, N. y Lachiri, Z. Métodos de fusión multimodal con redes neuronales profundas y metainformación para la detección de agresión en vigilancia. Sistema de expertos. Aplicación 211118523 (2023).
Artículo Google Scholar
Mahum, R. et al. Un marco robusto para generar resúmenes de video de vigilancia utilizando la combinación de momentos de Zernike y una transformación R y una red neuronal profunda. Multimed. Herramientas apl. 8213811–13835 (2023).
Artículo Google Scholar
Jan, Z. et al. Inteligencia artificial para la industria 4.0: Revisión sistemática de aplicaciones, desafíos y oportunidades. Sistema de expertos. Aplicación 216119456 (2023).
Artículo Google Scholar
Raja Santhi, A. y Muthuswamy, P. Industry 5.0 o Industry 4.0 s? Introducción a la industria 4.0 y un vistazo a las posibles tecnologías de la industria 5.0. Int. J. Interact. Des. Manuf. (Ijidem) 17947–979 (2023).
Artículo Google Scholar
Shafiq, M. et al. Evaluación continua de control de calidad durante la fabricación utilizando algoritmo de aprendizaje supervisado para la industria 4.0. Int. J. Adv. Manuf. Technol. (2023).
Rajput, DS, Meena, G., Acharya, M. y Mohbey, KK Predicción de fallas utilizando red neuronal de convolución difusa en entorno IoT con fusión de datos de detección heterogénea. Medición Sensación 26100701 (2023).
Artículo Google Scholar
Liyakat, KK S. Enfoque de aprendizaje automático utilizando redes neuronales artificiales para detectar nodos maliciosos en redes IoT. En Conferencia internacional sobre aprendizaje automático, IoT y Big Data 123–134 (Springer, 2023).
Thakkar, A. y Lohiya, R. Clasificación de ataque de datos de intrusión desequilibrados para la red IoT utilizando una red neuronal profunda basada en el aprendizaje. IEEE Internet Things J. 1011888–11895 (2023).
Artículo Google Scholar
Openai, R. GPT-4 Informe técnico. Preprint en ARXIV: 2303.08774. Ver en el artículo213 (2023).
Wang, J. et al. EL-NAS: Eficiente búsqueda de arquitectura de dominio de atención cruzada para la clasificación de imágenes hiperespectrales. Sensación remota. 154688 (2023).
Anuncios de artículos Google Scholar
Yang, T., He, Q. y Huang, L. OM-NAS: Clasificación de imagen de lesión de piel pigmentada basada en una búsqueda de arquitectura neural. Biomed. Optar. Expresar 142153–2165 (2023).
Artículo CAS PubMed PubMed Central Google Scholar
Yang, Y., Wei, J., Yu, Z. y Zhang, R. Un marco de búsqueda de arquitectura neuronal confiable para la clasificación de imágenes de neumonía utilizando tecnología blockchain. J. Supercomput. 801694-1727 (2024).
Hassan, E. et al. Enmascarar modelos R-CNN. Nilo J. Commun. Computación. Sci. 317–27 (2022).
Artículo Google Scholar
Dong, P. et al. RD-NAS: Mejora de la capacidad de clasificación SuperNet de un solo disparo a través de la destilación de clasificación de proxies de costo cero. En ICASSP 2023-2023 Conferencia internacional IEEE sobre acústica, procesamiento de habla y señales (ICASSP) 1–5 (IEEE, 2023).
Wang, J. et al. NAS-DYMC: red neuronal de convolucional múltiple dinámica basada en NAS para la detección de eventos de sonido. En ICASSP 2023-2023 Conferencia internacional IEEE sobre acústica, procesamiento de habla y señales (ICASSP) 1–5 (IEEE, 2023).
Li, J. et al. Graph Neural Network Architecture Busque para el diagnóstico de fallas de maquinaria giratoria basado en el aprendizaje de refuerzo. Mech. Syst. Proceso de señal. 202110701 (2023).
Artículo Google Scholar
Yuan, W., Fu, C., Liu, R. y Fan, X. Ssob: Buscando una arquitectura orientada a la escena para la detección de objetos submarinos. VIS. Computación. 395199–5208 (2023).
Artículo Google Scholar
Jia, X. et al. Detector de objetos rápido y preciso para la conducción autónoma basada en yolov5 mejorado. Sci. Reps. 131–13 (2023).
Anuncios de Google Scholar
Mehta, R., Jurečková, O. y Stamp, M. Un enfoque de procesamiento del lenguaje natural para la clasificación de malware. J. Comput. Virol. Tech de piratería. 20173-184 (2024).
Girdhar, N., Coustaty, M. y Doucet, A. Benchmarking Nas para la separación de artículos en periódicos históricos. En Conferencia internacional sobre bibliotecas digitales asiáticas76–88 (Springer, 2023).
Real, E., Aggarwal, A., Huang, Y. y LE, QV Evolución regularizada para la búsqueda de arquitectura del clasificador de imágenes. En Actas de la Conferencia AAAI sobre inteligencia artificial volumen 33, 4780–4789 (2019).
Liu, C. et al. Búsqueda de arquitectura neuronal progresiva. En Actas de la Conferencia Europea sobre Visión Computadora (ECCV) 19–34 (2018).
Cai, H., Chen, T., Zhang, W., Yu, Y. y Wang, J. Búsqueda de arquitectura eficiente por transformación de red. En Actas de la Conferencia AAAI sobre inteligencia artificialvol. 32 (2018).
Pham, H., Guan, M., Zoph, B., Le, Q. y Dean, J. Búsqueda eficiente de arquitectura neuronal a través de parámetros compartiendo. En Conferencia internacional sobre aprendizaje automático 4095–4104 (PMLR, 2018).
Liu, H., Simonyan, K. y Yang, Y. Darts: búsqueda de arquitectura diferenciable. Preimpresión en ARXIV: 1806.09055 (2018).
Ying, C. et al. NAS-Bench-101: Hacia la búsqueda reproducible de arquitectura neuronal. En Conferencia internacional sobre aprendizaje automático 7105–7114 (PMLR, 2019).
Dong, X. y Yang, Y. Nas Bench-201-201: Extendiendo el alcance de la búsqueda de arquitectura neuronal reproducible. Preprint en ARXIV: 2001.00326 (2020).
Krizhevsky, A. y Hinton, G. Aprender múltiples capas de características de pequeñas imágenes (Tech. Rep, Toronto, ON, Canadá, 2009).
Chrabaszcz, P., Loshchilov, I. y Hutter, F. Una variante a la baja de Imagenet como alternativa a los conjuntos de datos CIFAR. Preprint en ARXIV: 1707.08819 (2017).
Ye, P. et al. \(\beta\)-Darts: regularización de beta para la búsqueda de arquitectura diferenciable. En 2022 Conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones (CVPR) 10864–10873 (IEEE, 2022).
Movahedi, S. et al. \ (\ lambda \) -Darts: mitigar el colapso del rendimiento al armonizar la selección de operaciones entre las células. Preprint en ARXIV: 2210.07998 (2022).
Zheng, M. et al. ¿Puede GPT-4 realizar la búsqueda de arquitectura neural? Preimpresión en ARXIV: 2304.10970 (2023).
Achiam, J. et al. Informe técnico GPT-4. Preimpresión en ARXIV: 2303.08774 (2023).
Wang, H. et al. Búsqueda de arquitectura neuronal gráfica con GPT-4. Preimpresión en ARXIV: 2310.01436 (2023).
Hassan, E., Bhatnagar, R. y Shams, M. Y. Avance de la investigación científica en ciencias de la computación por Chatgpt y Llama-A Review. En Conferencia internacional sobre fabricación inteligente y sostenibilidad energética 23–37 (Springer, 2023).
Helber, P., Bischke, B., Dengel, A. y Borth, D. Eurosat: un nuevo conjunto de datos y un punto de referencia de aprendizaje profundo para el uso de la tierra y la clasificación de la cobertura de la tierra. IEEE J. Sel. Arriba. Aplicación Tierra obs. Sensación remota. 12(7), 2217–2226 (2019).
Anuncios de artículos Google Scholar
Rajaraman, S. et al. Redes neuronales convolucionales previamente entrenadas como extractores de características hacia la detección de parásitos de malaria mejorados en imágenes de frotis de sangre delgada. Peerj 6E4568 (2018).
Artículo PubMed PubMed Central Google Scholar
Maas, A. et al. Vectores de palabras de aprendizaje para el análisis de sentimientos. En Actas de la 49ª Reunión Anual de la Asociación de Lingüística Computacional: Tecnologías de lenguaje humano 142–150 (2011).
Powerapi. Pyjoules: Biblioteca de medición de energía basada en Python para varios dominios, incluidas las GPU NVIDIA. https://github.com/powerapi-ng/pyjoulles (2024). Consultado: 2024-05-31.
Loni, M., Sinaei, S., Zoljodi, A., Daneshtalab, M. y Sjödin, M. Deepmaker: un marco de optimización de objetivos múltiples para redes neuronales profundas en sistemas integrados. Microprocesos. Microsyst. 73102989 (2020).
Artículo Google Scholar
Suganuma, M., Kobayashi, M., Shirakawa, S. y Nagao, T. Evolución de redes neuronales convolucionales profundas utilizando programación genética cartesiana. Evol. Computación. 28141–163 (2020).
Artículo PubMed Google Scholar
Ren, J. et al. Eigen: enfoque genético de inspiración ecológica para la búsqueda de estructuras de redes neuronales desde cero. En Actas de la conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones 9059–9068 (2019).
Xie, L. y Yuille, A. Genetic CNN. En Actas de la Conferencia Internacional IEEE sobre visión por computadora 1379–1388 (2017).
Lu, Z. et al. Diseño evolutivo de criterio múltiple de redes neuronales convolucionales profundas. Preprint en ARXIV: 1912.01369 (2019).
Kandasamy, K., Neiswanger, W., Schneider, J., Poczos, B. y Xing, EP Búsqueda de arquitectura neural con optimización bayesiana y transporte óptimo. Adv. Inf. Neural. Proceso. Syst. 31 (2018).
Elsken, T., Metzen, J.-H. & Hutter, F. Búsqueda de arquitectura simple y eficiente para redes neuronales convolucionales. Preimpresión en ARXIV: 1711.04528 (2017).
Dong, X. y Yang, Y. Buscando una arquitectura neuronal robusta en cuatro horas de GPU. En Actas de la conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones 1761–1770 (2019).
Chu, X. et al. DARTS-: Salir de manera robusta del colapso de rendimiento sin indicadores. Preprint en ARXIV: 2009.01027 (2020).
Chen, X., Wang, R., Cheng, M., Tang, X. y Hsieh, C.-J. DRNAS: búsqueda de arquitectura neural de Dirichlet. Preprint en ARXIV: 2006.10355 (2020).
Hu, Y., Wang, X., Li, L. y Gu, Q. Mejora de NAS de un solo disparo con Supernet reducida y expansiva. Reconocimiento de patrones. 118108025 (2021).
Artículo Google Scholar
Chu, X., Zhang, B. y Xu, R. Fairnas: Repensar la equidad de evaluación de la búsqueda de arquitectura neuronal compartiendo peso. En Actas de la conferencia internacional IEEE/CVF sobre visión por computadora 12239–12248 (2021).
Xiao, H., Wang, Z., Zhu, Z., Zhou, J. y Lu, J. Shapley-NAS: Descubrimiento de la contribución de la operación para la búsqueda de arquitectura neural. En Actas de la conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones 11892–11901 (2022).
Yu, K., Ranftl, R. y Salzmann, M. Regularización histórica: clasificación de entrenamiento guiado de Super Net en la búsqueda de arquitectura neural. En Actas de la conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones 13723–13732 (2021).
Cavagnero, N., Robbiano, L., Caputo, B. y Avera, G. Freerea: Búsqueda de arquitectura basada en la evolución libre de capacitación. En Actas de la conferencia de invierno IEEE/CVF sobre aplicaciones de visión por computadora 1493–1502 (2023).
Zheng, X. et al. Búsqueda de arquitectura neuronal con representación de información mutua. En Actas de la conferencia IEEE/CVF sobre visión por computadora y reconocimiento de patrones 11912–11921 (2022).
Strubell, E., Ganesh, A. y McCallum, A. Consideraciones de energía y política para el aprendizaje profundo en la PNL. Preprint en ARXIV: 1906.02243 (2019).
Zoph, B., Vasudevan, V., Shlens, J. y Le, Q. V. Aprender arquitecturas transferibles para el reconocimiento de imágenes escalables. En Actas de la conferencia IEEE sobre visión por computadora y reconocimiento de patrones 8697–8710 (2018).
¡feliz codificación!”
Inside the OpenAI-DeepSeek Distillation Saga & Alibaba’s Most Powerful AI Model Qwen2.5-Max
De ChatGPT a mil millones de agentes
