.png){kind=icon}
返回
Data-driven bayesian-guided activation functions for multi-task pattern recognition
.png){kind=icon}
PRE
AI
DOI：10.1016/j.patcog.2025.112911.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
• 提出了一种梯度下降和贝叶斯推断的协同优化神经网络策略，以有效缓解传统方法易陷入局部最优的限制。
• 提出基于数据驱动的先验分布构建方法，以克服传统贝叶斯方法中固有的人为先验选择偏差。
• 广义门控复合激活函数动态调整基函数组合，以增强多任务模式识别中的非线性表达能力。
期刊
IF:
7.6
论文数:
1.4W
被引数:
4.5W
机构
引用论文
Bayesian Optimization for Sparse Neural Networks With Trainable Activation Functions贝叶斯优化用于具有可训练激活函数的稀疏神经网络
OAAI
OAAI分享收藏Soft plus plus , a multi-parametric non-saturating non-linearity that improves convergence in deep neural architectures.png)
NEUROCOMPUTING
OAAI
NEUROCOMPUTINGIF6.5
OAAI分享收藏Enhancing deterministic prediction in unidirectional ocean waves using an Artificial Neural Network with exponential linear unit利用指数线性单元的人工神经网络提升单向海洋波动的确定性预测
PREAI
分享收藏Multi-schema prompting powered token-feature woven attention network for short text classification用于短文本分类的多模式提示powered token-feature编织注意力网络PATTERN RECOGNITION
PATTERN RECOGNITIONIF7.6
PREAI
分享收藏
查看更多内容