International Journal of Advanced Research in Science Communication and Technology·10月8日 · 周四论文农业人工智能与决策模型阅读 0
Artificial Neural Network: Architecture, Learning Algorithms, Applications and Challenges
Megha D. Angnani S. B. Bele · Astha V. Thakare Ishwari P. Telkhade
International Journal of Advanced Research in Science Communication and TechnologyDOI 10.48175/ijarsct-38737开放获取 PDF ↗
论文解读
0未达精选线
速览
系统综述人工神经网络的结构、学习算法、应用与挑战，并指出未来研究方向。
方法
文献综述，梳理前馈、卷积、循环、注意力等架构及监督/无监督/强化学习算法。
发现
ANN虽在多领域达最优精度，但数据依赖、可解释性、鲁棒性、能耗与伦理问题仍未解决。
机会点
可将轻量化、可解释、低能耗的ANN架构迁移至农业场景，解决小样本与边缘部署难题。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该文为人工神经网络通用综述，未涉及农业场景，与三农及农业信息化主题不相关，不建议入选每日精选。
原文摘要
人工神经网络（Artificial Neural Networks, ANNs）是受生物神经系统处理信息方式启发而构建的计算模型。在过去八十年间，它们已从简单的阈值单元发展为支撑现代计算机视觉、语言处理、医疗分析、金融和自主系统的深度、十亿参数级系统。本文对人工神经网络进行了结构化综述，涵盖其基本构成单元、主要架构（前馈网络、卷积网络、循环网络、基于注意力的网络、生成网络和自组织网络）、主要学习算法（监督学习、无监督学习、半监督学习和强化学习，以及基于梯度的优化器和正则化技术）、具有代表性的实际应用，以及限制其更广泛采用的开放挑战。文中提供了对比表格和示意图，以总结设计选择。综述得出结论：尽管人工神经网络在许多领域达到了最先进的精度，但数据依赖性、可解释性、鲁棒性、能耗和伦理等问题仍未解决，并界定了未来研究最具前景的方向。