机械可解释性是通过将神经网络分解为更可解释的子部分来理解神经网络的过程。不幸的是，神经元本身往往不可解释。有一些深层次的原因，如叠加，导致了这个挑战。Anthropic公司的这项工作使用稀疏自编码器从一层Trans...

科研人员成功训练出一个模型，通过使用自定义的数千种手动标记分子的数据集训练图神经网络，使其能够准确地识别气味。这是人工智能在模拟人类感知能力方面的一次重大突破，标志着人工智能在感知世界的能力上迈出了新...

ResFields是一种新型的神经网络，擅长理解随着时间变化的复杂3D场景。通过添加名为‘时间残差层’的组件，它能够处理更多的信息，同时保持准确性。时间残差层的引入，使ResFields在处理大量信息时，不仅能够准确识别3D...

研究人员使用一种称为图形神经网络的深度学习算法创建了一个模型，将化学结构映射到气味描述符。该模型可以成功预测人类如何描述新的气味，并有可能用于数字化气味。本项目的主要气味图是开源的，文章中提供了该项目...

开放AI的首席科学家经常讨论的一个观点是，压缩可能是实现智能的全部所需。在这段演讲中，他基于Kolmogorov复杂性理论，探讨了神经网络如何在他们所学习的表示中寻求简单性。他提供了一种在这个行业中罕见的清晰思考...

深度神经网络在计算机视觉领域有着出色的表现，但是更快的推理时间是必要的。这篇论文介绍了一种新的Inter-Class Similarity Distillation方法和一种Adaptive Loss Weighting策略，能够更好地从老师网络向学生网络传...

麻省理工学院计算机科学和人工智能实验室（CSAIL）的液态神经网络（LNNs）是一种在机器人技术和自动驾驶车辆方面表现出色的紧凑型AI。LNNs能够适应变化的环境，且其计算强度较低，性能超过标准模型。然而，对于静态...

这项研究提出了一种新的方法，使用图神经网络来检测洗钱活动。这种网络专为处理由实际银行交易构建的大型、多样化的网络而设计。图神经网络通过对复杂交易网络的深度学习，能够有效地识别和预测可能的洗钱行为。通过...