論文の概要: Uso de GSO cooperativos com decaimentos de pesos para otimizacao de
redes neurais
- arxiv url: http://arxiv.org/abs/2107.02080v1
- Date: Mon, 5 Jul 2021 15:19:13 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-23 08:58:14.353060
- Title: Uso de GSO cooperativos com decaimentos de pesos para otimizacao de
redes neurais
- Title(参考訳): 好中球におけるGSO協力の意義
- Authors: Danielle Silva and Teresa Ludermir
- Abstract要約: 群探索最適化(GSO)は,動物の探索行動に着想を得たものである。
CGSO-Hk-WDとCGSO-Sk-WDの2つのハイブリッドアプローチを提案する。
協調的なGSOは、ベンチマークデータセットの分類問題に対して従来のGSOよりも優れた性能を達成することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Training of Artificial Neural Networks is a complex task of great importance
in supervised learning problems. Evolutionary Algorithms are widely used as
global optimization techniques and these approaches have been used for
Artificial Neural Networks to perform various tasks. An optimization algorithm,
called Group Search Optimizer (GSO), was proposed and inspired by the search
behaviour of animals. In this article we present two new hybrid approaches:
CGSO-Hk-WD and CGSO-Sk-WD. Cooperative GSOs are based on the divide-and-conquer
paradigm, employing cooperative behaviour between GSO groups to improve the
performance of the standard GSO. We also apply the weight decay strategy (WD,
acronym for Weight Decay) to increase the generalizability of the networks. The
results show that cooperative GSOs are able to achieve better performance than
traditional GSO for classification problems in benchmark datasets such as
Cancer, Diabetes, Ecoli and Glass datasets.
- Abstract(参考訳): ニューラルネットワークのトレーニングは、教師付き学習問題において非常に重要な課題である。
進化的アルゴリズムはグローバル最適化手法として広く使われており、これらの手法はニューラルネットワークの様々なタスクの実行に使われてきた。
GSO(Group Search Optimizer)と呼ばれる最適化アルゴリズムが提案され,動物の探索行動に触発された。
本稿では,CGSO-Hk-WDとCGSO-Sk-WDの2つのハイブリッドアプローチを提案する。
協調型GSOは、標準型GSOの性能向上のために、GSOグループ間の協調行動を利用する、分断型パラダイムに基づいている。
また、重み劣化戦略(WD, acronym for Weight Decay)を適用し、ネットワークの一般化性を高める。
その結果, 癌, 糖尿病, エクオリ, ガラスなどのベンチマークデータセットにおける分類問題に対して, 協調型gsosは従来のgsoよりも優れた性能を得ることができた。
関連論文リスト
- Ant Colony Sampling with GFlowNets for Combinatorial Optimization [72.95439522658647]
Generative Flow Ant Colony Sampler (GFACS) はニューラル誘導型メタヒューリスティックアルゴリズムである。
GFACSは生成フローネットワーク(GFlowNets)とアリコロニー最適化(ACO)手法を統合している。
論文 参考訳(メタデータ) (2024-03-11T16:26:06Z) - A Reinforcement Learning-assisted Genetic Programming Algorithm for Team
Formation Problem Considering Person-Job Matching [70.28786574064694]
解の質を高めるために強化学習支援遺伝的プログラミングアルゴリズム(RL-GP)を提案する。
効率的な学習を通じて得られる超ヒューリスティックなルールは、プロジェクトチームを形成する際の意思決定支援として利用することができる。
論文 参考訳(メタデータ) (2023-04-08T14:32:12Z) - MARLIN: Soft Actor-Critic based Reinforcement Learning for Congestion
Control in Real Networks [63.24965775030673]
そこで本研究では,汎用的な渋滞制御(CC)アルゴリズムを設計するための新しい強化学習(RL)手法を提案する。
我々の解であるMARLINは、Soft Actor-Criticアルゴリズムを用いてエントロピーとリターンの両方を最大化する。
我々は,MARLINを実ネットワーク上で訓練し,実ミスマッチを克服した。
論文 参考訳(メタデータ) (2023-02-02T18:27:20Z) - Genetically Modified Wolf Optimization with Stochastic Gradient Descent
for Optimising Deep Neural Networks [0.0]
本研究の目的は、人口ベースメタヒューリスティックアルゴリズムを用いて、ニューラルネットワーク(NN)重み付けを最適化するための代替アプローチを分析することである。
Grey Wolf (GWO) と Genetic Modified Algorithms (GA) のハイブリッドをグラディエント・Descent (SGD) と組み合わせて検討した。
このアルゴリズムは、高次元性の問題にも対処しながら、エクスプロイトと探索の組み合わせを可能にする。
論文 参考訳(メタデータ) (2023-01-21T13:22:09Z) - Ranking-based Group Identification via Factorized Attention on Social
Tripartite Graph [68.08590487960475]
グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。
我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。
データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
論文 参考訳(メタデータ) (2022-11-02T01:42:20Z) - A Novel Simplified Swarm Optimization for Generalized Reliability
Redundancy Allocation Problem [1.2043574473965315]
本研究では,ネットワークシステムに適用可能な新しいRRAPであるGeneral RRAP(GRRAP)を提案する。
GRRAPはNP-hard問題であるため,Binary-addition Simple Swarm Optimization (BSSO)と呼ばれる新しいアルゴリズムも提案されている。
論文 参考訳(メタデータ) (2021-10-01T00:12:11Z) - Otimizacao de Redes Neurais atraves de Algoritmos Geneticos Celulares [0.0]
この手法の目的は、分類問題に対して優れた性能を示すコンパクトネットワークを見つけることである。
CGAの使用は、共通の遺伝的アルゴリズム(GA)と同様に、RNAの構成要素を探すことを目的としている。
CAが課している場所は、長期にわたって遺伝的多様性を維持するために、集団内の溶液の拡散を制御することを目的としている。
論文 参考訳(メタデータ) (2021-07-18T00:10:15Z) - Population network structure impacts genetic algorithm optimisation
performance [0.0]
遺伝的アルゴリズム (GA) は自然進化をシミュレートして解の集団を最適化する探索法である。
ソーシャルネットワークは、2人が交尾する可能性を条件にすることができる。
我々は,ネットワーク遺伝的アルゴリズム(NGA)を導入し,多様なランダム・スケールフリーな集団ネットワークがGAの最適化性能に与える影響を評価する。
論文 参考訳(メタデータ) (2021-04-09T09:06:04Z) - Policy-GNN: Aggregation Optimization for Graph Neural Networks [60.50932472042379]
グラフニューラルネットワーク(GNN)は、局所的なグラフ構造をモデル化し、隣人からの情報を集約することで階層的なパターンを捉えることを目的としている。
複雑なグラフとスパースな特徴を与えられた各ノードに対して効果的なアグリゲーション戦略を開発することは難しい課題である。
本稿では,GNNのサンプリング手順とメッセージパッシングを複合学習プロセスにモデル化するメタ政治フレームワークであるPolicy-GNNを提案する。
論文 参考訳(メタデータ) (2020-06-26T17:03:06Z) - Bayesian Graph Neural Networks with Adaptive Connection Sampling [62.51689735630133]
グラフニューラルネットワーク(GNN)における適応接続サンプリングのための統一的なフレームワークを提案する。
提案フレームワークは,深部GNNの過度なスムース化や過度に適合する傾向を緩和するだけでなく,グラフ解析タスクにおけるGNNによる不確実性の学習を可能にする。
論文 参考訳(メタデータ) (2020-06-07T07:06:35Z)
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。