<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>残差网络 on 办公AI智能小助手</title>
    <link>https://blog.qife122.com/tags/%E6%AE%8B%E5%B7%AE%E7%BD%91%E7%BB%9C/</link>
    <description>Recent content in 残差网络 on 办公AI智能小助手</description>
    <generator>Hugo</generator>
    <language>zh-cn</language>
    <copyright>qife</copyright>
    <lastBuildDate>Fri, 10 Oct 2025 19:11:35 +0800</lastBuildDate>
    <atom:link href="https://blog.qife122.com/tags/%E6%AE%8B%E5%B7%AE%E7%BD%91%E7%BB%9C/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>基于配对对抗残差网络的安全感知语义驱动ISAC框架</title>
      <link>https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E9%85%8D%E5%AF%B9%E5%AF%B9%E6%8A%97%E6%AE%8B%E5%B7%AE%E7%BD%91%E7%BB%9C%E7%9A%84%E5%AE%89%E5%85%A8%E6%84%9F%E7%9F%A5%E8%AF%AD%E4%B9%89%E9%A9%B1%E5%8A%A8isac%E6%A1%86%E6%9E%B6/</link>
      <pubDate>Fri, 10 Oct 2025 19:11:35 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E5%9F%BA%E4%BA%8E%E9%85%8D%E5%AF%B9%E5%AF%B9%E6%8A%97%E6%AE%8B%E5%B7%AE%E7%BD%91%E7%BB%9C%E7%9A%84%E5%AE%89%E5%85%A8%E6%84%9F%E7%9F%A5%E8%AF%AD%E4%B9%89%E9%A9%B1%E5%8A%A8isac%E6%A1%86%E6%9E%B6/</guid>
      <description>&lt;h1 id=&#34;基于配对对抗残差网络的安全感知语义驱动isac&#34;&gt;基于配对对抗残差网络的安全感知语义驱动ISAC&lt;/h1&gt;&#xA;&lt;p&gt;本文提出了一种新颖灵活的安全感知语义驱动集成感知与通信（ISAC）框架，即安全语义ISAC（SS-ISAC）。受对抗攻击积极影响的启发，在提出的SS-ISAC框架中设计了一对可插拔的加密和解密模块。&lt;/p&gt;</description>
    </item>
    <item>
      <title>深度残差网络在大深度区域的扩展技术</title>
      <link>https://blog.qife122.com/p/%E6%B7%B1%E5%BA%A6%E6%AE%8B%E5%B7%AE%E7%BD%91%E7%BB%9C%E5%9C%A8%E5%A4%A7%E6%B7%B1%E5%BA%A6%E5%8C%BA%E5%9F%9F%E7%9A%84%E6%89%A9%E5%B1%95%E6%8A%80%E6%9C%AF/</link>
      <pubDate>Sat, 20 Sep 2025 15:23:28 +0800</pubDate>
      <guid>https://blog.qife122.com/p/%E6%B7%B1%E5%BA%A6%E6%AE%8B%E5%B7%AE%E7%BD%91%E7%BB%9C%E5%9C%A8%E5%A4%A7%E6%B7%B1%E5%BA%A6%E5%8C%BA%E5%9F%9F%E7%9A%84%E6%89%A9%E5%B1%95%E6%8A%80%E6%9C%AF/</guid>
      <description>&lt;h1 id=&#34;深度残差网络在大深度区域的扩展&#34;&gt;深度残差网络在大深度区域的扩展&lt;/h1&gt;&#xA;&lt;p&gt;深度残差网络（ResNets）在复杂机器学习任务中实现了最先进的成果。然而，这些架构的卓越性能依赖于需要精心设计的训练过程，以避免梯度消失或爆炸，尤其是在深度L增加时。尽管广泛讨论的策略包括通过因子αL缩放每层的输出，但如何缓解此问题尚未达成共识。&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
