இந்த தளத்தின் உள்ளடக்கம் செயற்கை நுண்ணறிவு (AI) அல்லது இயந்திர மொழிபெயர்ப்பு தொழில்நுட்பம் மூலம் மொழிபெயர்க்கப்பட்டுள்ளது; பிழைகள் இருக்கலாம்.

Skip to content
3D
Artificial Intelligence
Computer Vision

நரம்பு வல்லுநர்கள்: மறைமுக நரம்புப் பிரதிநிதித்துவங்களுக்கான வல்லுநர்களின் கலவை

Author

யிசாக் பென்-ஷபாத் (ஆஸ்திரேலிய தேசியப் பல்கலைக்கழகம் மற்றும் ராப்லாக்ஸ்), சமிந் ஹேவா கோனேபுடுகொடே (ஆஸ்திரேலிய தேசியப் பல்கலைக்கழகம்), சமீரா ராமசிங்கே (அமேசான்), ஸ்டீபன் கோல்ட் (ஆஸ்திரேலிய தேசியப் பல்கலைக்கழகம்)

Venue

நியூரிஐபிஎஸ் 2024

Abstract

படங்கள், வடிவங்கள், ஆடியோ மற்றும் வீடியோ புனரமைப்பு உள்ளிட்ட பல்வேறு பணிகளில் மறைமுக நரம்பியல் பிரதிநிதித்துவங்கள் (INRs) பயனுள்ளதாக நிரூபிக்கப்பட்டுள்ளன. இந்த INRs பொதுவாக மாதிரி எடுக்கப்பட்ட உள்ளீட்டுப் புள்ளிகளிலிருந்து மறைமுக புலத்தைக் கற்றுக்கொள்கின்றன. இது பெரும்பாலும் முழு களத்திற்கும் ஒரே நெட்வொர்க்கைப் பயன்படுத்தி செய்யப்படுகிறது, இது ஒரே செயல்பாட்டின் மீது பல உலகளாவிய கட்டுப்பாடுகளை விதிக்கிறது. இந்தக் கட்டுரையில், ஒரு களத்தின் பகுதிகளைப் பிரித்து, உள்ளூர் அளவில் பொருத்திக்கொள்ளும் உள்ளூர் பகுதி-வாரியான தொடர்ச்சியான செயல்பாடுகளைக் கற்றுக்கொள்ள உதவும் ஒரு நிபுணர்களின் கலவை (MoE) மறைமுக நரம்பியல் பிரதிநிதித்துவ அணுகுமுறையை நாங்கள் முன்மொழிகிறோம். ஏற்புடைய INR உருவாக்கங்களில் நிபுணர்களின் கலவை கட்டமைப்பை இணைப்பது, வேகம், துல்லியம் மற்றும் நினைவகம் தேவைகளில் ஒரு அதிகரிப்பை வழங்குகிறது என்பதை நாங்கள் காட்டுகிறோம். கூடுதலாக, விரும்பிய தீர்வை நோக்கிய ஒருங்கிணைப்பை மேம்படுத்தும் வகையில், வாயில் வலையமைப்பிற்கான புதுமையான நிபந்தனை மற்றும் முன்-பயிற்சி முறைகளை நாங்கள் அறிமுகப்படுத்துகிறோம். மேற்பரப்பு புனரமைப்பு, பட புனரமைப்பு மற்றும் ஒலி அலைவரிசை புனரமைப்பு உள்ளிட்ட பல புனரமைப்புப் பணிகளில் எங்கள் அணுகுமுறையின் செயல்திறனை நாங்கள் மதிப்பிடுகிறோம், மேலும் MoE அல்லாத முறைகளுடன் ஒப்பிடும்போது மேம்பட்ட செயல்திறனைக் காட்டுகிறோம்.