論文の概要: Otimizacao de Redes Neurais atraves de Algoritmos Geneticos Celulares

• arxiv url: http://arxiv.org/abs/2107.08326v1
• Date: Sun, 18 Jul 2021 00:10:15 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-20 14:39:42.404321
• Title: Otimizacao de Redes Neurais atraves de Algoritmos Geneticos Celulares
• Title（参考訳）: Otimizacao de Redes Neurais atraves de Algoritmos Geneticos Celulares
• Authors: Anderson da Silva, Teresa Ludermir
• Abstract要約: 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。
• 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: This works proposes a methodology to searching for automatically Artificial Neural Networks (ANN) by using Cellular Genetic Algorithm (CGA). The goal of this methodology is to find compact networks whit good performance for classification problems. The main reason for developing this work is centered at the difficulties of configuring compact ANNs with good performance rating. The use of CGAs aims at seeking the components of the RNA in the same way that a common Genetic Algorithm (GA), but it has the differential of incorporating a Cellular Automaton (CA) to give location for the GA individuals. The location imposed by the CA aims to control the spread of solutions in the populations to maintain the genetic diversity for longer time. This genetic diversity is important for obtain good results with the GAs.
• Abstract（参考訳）: 本研究では,セルラー遺伝的アルゴリズム(CGA)を用いて,自動ニューラルネットワーク(ANN)の探索手法を提案する。 この手法の目標は、分類問題に対して優れた性能を持つコンパクトネットワークを見つけることである。 この作業を開発した主な理由は、パフォーマンス評価の高いコンパクトなANNの設定が難しいことを中心にしている。 CGAの使用は、共通の遺伝的アルゴリズム(GA)と同様にRNAの構成要素を求めることを目的としているが、GA個体の位置を与えるために細胞オートマトン(CA)を組み込むことの相違がある。 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。 この遺伝的多様性は、GAの良好な結果を得るために重要である。

関連論文リスト

• GARA: A novel approach to Improve Genetic Algorithms' Accuracy and Efficiency by Utilizing Relationships among Genes [1.7226572355808027]
  本稿では,遺伝子間の関係を利用してGAの精度と効率を向上させる遺伝子制御遺伝的アルゴリズム(GRGA)を提案する。 我々は、RGGRと呼ばれる溶液空間をカプセル化した有向多部グラフを使用し、各ノードは溶液中の遺伝子に対応し、エッジは隣り合うノード間の関係を表す。 得られたRGGRは、クロスオーバーと突然変異演算子の適切な座を決定するために使用され、それによって進化過程をより速くより良く収束させる。
  論文  参考訳（メタデータ） (2024-04-28T08:33:39Z)
• HGAttack: Transferable Heterogeneous Graph Adversarial Attack [63.35560741500611]
  ヘテロジニアスグラフニューラルネットワーク(HGNN)は、Webやeコマースなどの分野でのパフォーマンスでますます認識されている。 本稿ではヘテロジニアスグラフに対する最初の専用グレーボックス回避手法であるHGAttackを紹介する。
  論文  参考訳（メタデータ） (2024-01-18T12:47:13Z)
• scBiGNN: Bilevel Graph Representation Learning for Cell Type Classification from Single-cell RNA Sequencing Data [62.87454293046843]
  グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。 scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。 scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
  論文  参考訳（メタデータ） (2023-12-16T03:54:26Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Stability Analysis of Non-Linear Classifiers using Gene Regulatory Neural Network for Biological AI [2.0755366440393743]
  二重層転写翻訳化学反応モデルを用いた遺伝子パーセプトロンの数学的モデルを構築した。 我々は全接続GRNNサブネットワーク内の各遺伝子パーセプトロンの安定性解析を行い、時間的および安定した濃度出力を決定する。
  論文  参考訳（メタデータ） (2023-09-14T21:37:38Z)
• Granger causal inference on DAGs identifies genomic loci regulating transcription [77.58911272503771]
  GrID-Netは、DBG構造化システムにおけるGranger因果推論のためのラタグメッセージパッシングを備えたグラフニューラルネットワークに基づくフレームワークである。 我々の応用は、特定の遺伝子の調節を仲介するゲノム座を同定する単一セルマルチモーダルデータの解析である。
  論文  参考訳（メタデータ） (2022-10-18T21:15:10Z)
• Relation Embedding based Graph Neural Networks for Handling Heterogeneous Graph [58.99478502486377]
  我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。 具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
  論文  参考訳（メタデータ） (2022-09-23T05:24:18Z)
• 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)
• Genetic-algorithm-optimized neural networks for gravitational wave classification [0.0]
  遺伝的アルゴリズム(GA)に基づくハイパーパラメータ最適化の新しい手法を提案する。 我々は,初期パラメータのシード値が良い解には程遠い場合に,GAが高品質なアーキテクチャを発見できることを示す。 遺伝的アルゴリズムの最適化を用いて既存のネットワークを洗練することは、問題コンテキストが変化した場合に特に有用である。
  論文  参考訳（メタデータ） (2020-10-09T03:14:20Z)
• Using Genetic Algorithm To Evolve Cellular Automata In Performing Edge Detection [0.0]
  遺伝的アルゴリズムを用いて画像のエッジ検出を行う。 我々はセルオートマトンを進化させようと試み、その時間とともに望ましい結果にどのように収束するかを示した。
  論文  参考訳（メタデータ） (2020-05-13T04:07:43Z)

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。