Generative Adversarial Networks as an Accommodative Memory for Cognitive Waveform Synthesis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents a practical example where generative adversarial networks (GANs) can be employed as an accommodative memory unit (AMU). An array of such units can memorize/learn any algorithm’s results. This kind of memory can accommodate their response to new unseen scenarios by traversing the GAN’s latent space and finding the best answer. Accordingly, accommodative memory (AM) can be viewed as a generalization of look-up tables (LUT), in which writing and reading operations are equivalent to training and inference of an AMU or traversing its latent space. We explore cognitive radar waveform synthesis to showcase a practical application of the proposed AM concept. In this regard, a Wasserstein GAN (WGAN) is trained as an AMU for a particular ambiguity function (AF) shaping scenario. Here, retrieving information for the most frequent scenarios, called input basis scenarios (IBSs), involves only the inference of the generator. For more complicated input scenarios, the memory accommodates the input by traversing the latent space using ADAM optimization. Compared to redesigning the AF, the AM can remember or accommodate new scenarios several orders of magnitude faster at the expense of more memory hardware. As an auxiliary result, we also demonstrate that traditional algorithms can be defeated in terms of suppression level by penalizing the loss function according to desired AF.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle