論文の概要: Evolutionary Algorithms for Fuzzy Cognitive Maps
- arxiv url: http://arxiv.org/abs/2102.01012v1
- Date: Sat, 19 Dec 2020 15:17:01 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-01 14:26:27.275089
- Title: Evolutionary Algorithms for Fuzzy Cognitive Maps
- Title(参考訳): ファジィ認知マップの進化的アルゴリズム
- Authors: Stefanos Tsimenidis
- Abstract要約: ファジィ認知マップ(FCMs)は、近年人気が高まっている複雑なシステムモデリング手法である。
本研究では、FCMの訓練に用いられる遺伝的アルゴリズムをレビューするとともに、FCM学習アルゴリズムの概要を概観する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fuzzy Cognitive Maps (FCMs) is a complex systems modeling technique which,
due to its unique advantages, has lately risen in popularity. They are based on
graphs that represent the causal relationships among the parameters of the
system to be modeled, and they stand out for their interpretability and
flexibility. With the late popularity of FCMs, a plethora of research efforts
have taken place to develop and optimize the model. One of the most important
elements of FCMs is the learning algorithm they use, and their effectiveness is
largely determined by it. The learning algorithms learn the node weights of an
FCM, with the goal of converging towards the desired behavior. The present
study reviews the genetic algorithms used for training FCMs, as well as gives a
general overview of the FCM learning algorithms, putting evolutionary computing
into the wider context.
- Abstract(参考訳): ファジィ認知マップ(fcms)は複雑なシステムモデリング手法であり、その特異な利点のために最近人気が高まっている。
それらは、モデル化されるシステムのパラメータ間の因果関係を表すグラフに基づいており、解釈可能性と柔軟性のために際立っている。
近年のFCMの普及に伴い、モデルの開発と最適化のための研究が数多く行われている。
FCMの最も重要な要素の1つは、彼らが使用する学習アルゴリズムであり、その有効性は、主にそれによって決定される。
学習アルゴリズムは、所望の行動に収束することを目的として、fcmのノード重みを学習する。
本研究は、FCMの学習に使用される遺伝的アルゴリズムを概説するとともに、FCM学習アルゴリズムの概要を概説し、進化的コンピューティングをより広い文脈に導入する。
関連論文リスト
- The Predictive Forward-Forward Algorithm [79.07468367923619]
本稿では,ニューラルネットワークにおける信頼割当を行うための予測フォワード(PFF)アルゴリズムを提案する。
我々は,有向生成回路と表現回路を同時に同時に学習する,新しい動的リカレントニューラルネットワークを設計する。
PFFは効率よく学習し、学習信号を伝達し、フォワードパスのみでシナプスを更新する。
論文 参考訳(メタデータ) (2023-01-04T05:34:48Z) - Faster Adaptive Federated Learning [84.38913517122619]
フェデレートラーニングは分散データの出現に伴って注目を集めている。
本稿では,クロスサイロFLにおけるモーメントに基づく分散低減手法に基づく適応アルゴリズム(FAFED)を提案する。
論文 参考訳(メタデータ) (2022-12-02T05:07:50Z) - Scalable Deep Reinforcement Learning Algorithms for Mean Field Games [60.550128966505625]
平均フィールドゲーム (MFGs) は、非常に多くの戦略エージェントを持つゲームを効率的に近似するために導入された。
近年,モデルフリー強化学習(RL)手法を用いて,MFGの学習均衡の課題が活発化している。
MFGを解くための既存のアルゴリズムは戦略や$q$-valuesのような近似量の混合を必要とする。
本稿では,この欠点に対処する2つの手法を提案する。まず,歴史データの蒸留からニューラルネットワークへの混合戦略を学習し,Factitious Playアルゴリズムに適用する。
2つ目はオンライン混合方式である。
論文 参考訳(メタデータ) (2022-03-22T18:10:32Z) - Time Series Forecasting Using Fuzzy Cognitive Maps: A Survey [0.0]
ファジィ認知マップ(FCM)は、複雑なシステムの力学をモデル化し解析するためのツールとして、顕著な結果を示している。
FCMはファジィ論理、ニューラルネットワーク、エキスパートシステムの各側面の混合であり、複雑なシステムの動的挙動をシミュレーションし研究するための強力なツールとして機能する。
論文 参考訳(メタデータ) (2022-01-07T02:11:53Z) - AsySQN: Faster Vertical Federated Learning Algorithms with Better
Computation Resource Utilization [159.75564904944707]
垂直連合学習(VFL)のための非同期準ニュートン(AsySQN)フレームワークを提案する。
提案アルゴリズムは、逆ヘッセン行列を明示的に計算することなく、近似して降下ステップをスケールする。
本稿では,非同期計算を採用することにより,計算資源の有効利用が期待できることを示す。
論文 参考訳(メタデータ) (2021-09-26T07:56:10Z) - Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。
我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。
コア最適化問題の実用的なパラメトリゼーションを提供する。
論文 参考訳(メタデータ) (2021-07-08T18:01:02Z) - Credit Assignment in Neural Networks through Deep Feedback Control [59.14935871979047]
ディープフィードバックコントロール(Deep Feedback Control, DFC)は、フィードバックコントローラを使用して、望ましい出力ターゲットにマッチするディープニューラルネットワークを駆動し、クレジット割り当てに制御信号を使用する新しい学習方法である。
学習規則は空間と時間において完全に局所的であり、幅広い接続パターンに対するガウス・ニュートンの最適化を近似する。
さらに,DFCと皮質錐体ニューロンのマルチコンパートメントモデルと,局所的な電圧依存性のシナプス可塑性規則を関連づける。
論文 参考訳(メタデータ) (2021-06-15T05:30:17Z) - An Online Learning Algorithm for a Neuro-Fuzzy Classifier with
Mixed-Attribute Data [9.061408029414455]
General Fuzzy min-max Neural Network (GFMMNN) は、データ分類のための効率的な神経ファジィシステムの一つである。
本稿ではGFMMNNのための拡張オンライン学習アルゴリズムを提案する。
提案手法は連続的特徴と分類的特徴の両方でデータセットを処理できる。
論文 参考訳(メタデータ) (2020-09-30T13:45:36Z) - An in-depth comparison of methods handling mixed-attribute data for
general fuzzy min-max neural network [9.061408029414455]
我々は、データセットを混合特徴で扱う3つの主要な方法を比較し、評価する。
実験の結果,ターゲットとJames-SteinはGFMMモデルのアルゴリズムを学習するための適切な分類的符号化法であることがわかった。
GFMMニューラルネットワークと決定木の組み合わせは、データセット上のGFMMモデルの分類性能と混合特徴を向上するフレキシブルな方法である。
論文 参考訳(メタデータ) (2020-09-01T05:12:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。