深度神经网络在特定学习任务中表现出接近人类水平的性能，从语音识别到图像中的物体查找。但深度神经网络是如何学习的？它包含什么"信息"？这些信息如何表示，存储在哪里...

本文针对语义分割模型因图像方向任意性导致性能下降的难题，提出了一种即插即用的基于填充的旋转等变卷积模式（PreCM）。该模块基于严谨的群论推导，能直接替换现有网...

GraphSAGE 作为图神经网络中的重要模型，通过创新的采样和聚合策略，为处理大规模图数据提供了高效解决方案。无论是学术研究还是工业应用，GraphSAGE ...

当你能在蛋白质折叠预测中复现AlphaFold的精度时，说明真正掌握了深度学习的精髓——这不仅需要算法理解，更需要跨学科的视野。记住：现代神经网络正在重定义"智...

酶是生命的分子机器，其功能核心在于底物特异性——即识别并选择性作用于特定底物的能力。这种特异性来源于酶活性位点的三维结构与复杂的过渡态构象。然而，数百万已知酶仍...

本文介绍了一篇由浙江大学药学院侯廷军教授与谢昌谕教授团队联合发表在Chemical Reviews上的综述文章——《Graph Neural Networks ...

物理神经网络（PNNs）是一类利用模拟物理系统执行计算的神经网络。虽然目前仍主要局限于实验室的小规模展示，但PNNs有望在未来改变人工智能计算的方式。研究人员正...

研究人员首先利用计算机生成的权重对 DNA 神经网络进行测试，结果表明系统能够正确分类手写数字（如 0 和 1，3 和 4，6 和 7）的一部分样本。这证明 D...

ResNet 是一位"深度神经网络建筑师"，通过引入残差连接（Shortcut Connections）解决了深层网络的梯度消失问题，让网络可以像乐高积木一样无...

传统的 BERT 模型在每一层的注意力机制和前馈神经网络中都有独立的参数，随着层数增加，参数数量呈指数级增长。ALBERT 提出了跨层参数共享策略，即让不同层之...

在计算机图形学和计算机视觉领域，如何从二维图像重建出逼真的三维场景一直是核心挑战。传统方法往往需要复杂的几何建模和手动调整，而 NeRF（Neural Radi...

多元链式方程插补（MICE）是一个强大的框架，用于填补缺失值，同时最大限度地减少插补过程中的偏差和不确定性。

这些都离不开同一个核心技术——实时视频目标检测（Real-time Video Object Detection）。

而今年，这份被誉为“AI行业的年度百科”的报告，给出了一个颇冷的诊断结论：“我们以为AI变聪明了，其实很多时候只是更会考试了。”

第二步。（最难的部分。） 找到一个始终位于条纹内的神经网络。这真的可能吗？是的：定理保证了它的存在。 这就是为什么神经网络被称为通用逼近器。

输入：一组实数（可以是正数、负数或零），通常来自神经网络的最后一层（称为logits）。

2017年，Transformer架构的诞生彻底改变了深度学习领域，为当今大语言模型的蓬勃发展奠定了坚实基础。作为这一划时代论文的作者之一，Llion Jone...

核心目标：使用蚁群算法来优化BP神经网络的权重和偏置，克服传统BP算法容易陷入局部极小值、收敛速度慢、对初始权重敏感等问题。

当机器人的视觉系统被一张看似普通的图片干扰，它可能会陷入完全“宕机”状态——这不是科幻电影，而是当前机器人技术面临的真实安全威胁。