A pesquisa mostra que, se treinadas em um regime adversarial, aprendendo a identificar e ignorar dados aberrantes, redes diferentes tendem a produzir resultados similares, o que indica uma convergência para a solução ideal independente da arquitetura da rede.
Os pesquisadores desenvolveram um regime especial de treinamento para que as redes neurais aprendessem a focar em todos os atributos informativos dos dados para tomarem suas decisões, e não somente nos mais evidentes, que podem levar a decisões inadequadas.
A nova arquitetura de rede neural foi desenvolvida para mapear os dados até características prototípicas que descrevem o fenômeno em estudo com base em conceitos interpretáveis, e assim ela é capaz de explicar como chegou às suas conclusões.
Neste artigo, discriminamos por que o bias é utilizado em redes neurais, e se existem situações onde seu uso é opcional.
Padrões e fenômenos da natureza, em especial os dos seres vivos, têm fornecido uma série de inspirações para resolver problemas computacionais. No artigo, são apresentados três fenômenos biológicos e que soluções computacionais podem ser resolvidas com eles
O uso de algoritmos genéticos na busca das melhores soluções para o treinamento de redes neurais pode resultar tanto em melhoria de desempenho quanto em redução do tempo necessário para a rede convergir à solução ideal.
As redes neurais apresentadas na pesquisa incorporam em sua estrutura o conhecimento sobre as redes de sinalização e regulação celular, o que permite que os parâmetros da rede sejam interpretáveis como dados sobre genes e proteínas, ampliando a aplicabilidade das redes não só para tarefas de predição, mas também para a descoberta científica.
Neste artigo, apresentamos as características dos neurônios e das estruturas presentes nos principais tipos de redes neurais, apontando suas aplicações mais comuns ou potenciais.
O PyTorch apresenta duas grandes inovações: o módulo que implementa os tensores, objetos manipulados pela rede neural, foi projetado para permitir seu alocamento em GPUs, o que aumenta a velocidade da rede; e ele permite a geração de grafos dinâmicos, com redes de estrutura flexível, permitindo maior liberdade de arquitetura ao desenvolvedor.
O método TCAV é capaz de quantificar a sensibilidade de camadas individuais de uma rede neural para conceitos intuitivos, permitindo interpretar as decisões de redes neurais que se tornam cada vez mais complexas.
