Fugu-MT 論文翻訳(概要): A Melting Pot of Evolution and Learning

論文の概要: A Melting Pot of Evolution and Learning

arxiv url: http://arxiv.org/abs/2306.04971v1
Date: Thu, 8 Jun 2023 06:59:21 GMT
ステータス: 処理完了
システム内更新日: 2023-06-09 16:06:31.564400
Title: A Melting Pot of Evolution and Learning
Title（参考訳）: 進化と学習の融解ポット
Authors: Moshe Sipper, Achiya Elyasaf, Tomer Halperin, Zvika Haramaty, Raz Lapid, Eyal Segal, Itai Tzruia, Snir Vitrack Tamam
Abstract要約: 我々は、進化的アルゴリズムと機械学習とディープラーニングをうまく組み合わせた、我々のグループによる8つの最近の研究を調査した。これらの研究は、進化的アルゴリズムと機械学習とディープラーニングをうまく融合させることを含む。
参考スコア（独自算出の注目度）: 0.6596280437011043
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We survey eight recent works by our group, involving the successful blending of evolutionary algorithms with machine learning and deep learning: 1. Binary and Multinomial Classification through Evolutionary Symbolic Regression, 2. Classy Ensemble: A Novel Ensemble Algorithm for Classification, 3. EC-KitY: Evolutionary Computation Tool Kit in Python, 4. Evolution of Activation Functions for Deep Learning-Based Image Classification, 5. Adaptive Combination of a Genetic Algorithm and Novelty Search for Deep Neuroevolution, 6. An Evolutionary, Gradient-Free, Query-Efficient, Black-Box Algorithm for Generating Adversarial Instances in Deep Networks, 7. Foiling Explanations in Deep Neural Networks, 8. Patch of Invisibility: Naturalistic Black-Box Adversarial Attacks on Object Detectors.
Abstract（参考訳）: 我々は、進化的アルゴリズムと機械学習とディープラーニングをうまく組み合わせた、我々のグループによる8つの最近の研究を調査する。 1. 進化的記号的回帰による二項・多項分類 2. クラスアンサンブル: 分類・分類のための新しいアンサンブルアルゴリズム 3. EC-KitY: Pythonの進化計算ツールキット 4. 深層学習に基づく画像分類のための活性化機能の進化 5. 遺伝的アルゴリズムの適応的組み合わせと深部神経進化の新規探索 6. 深層ネットワークにおける敵インスタンス生成のための進化的, グラディエント, クエリ効率, ブラックボックスアルゴリズム 7. ディープニューラルネットワークにおけるファウリング説明 8.可視性のパッチ: 物体検出器に対する自然主義的なブラックボックス攻撃。

関連論文リスト

DARLEI: Deep Accelerated Reinforcement Learning with Evolutionary Intelligence [77.78795329701367]
本稿では,進化アルゴリズムと並列化強化学習を組み合わせたフレームワークであるDARLEIを提案する。我々はDARLEIの性能を様々な条件で特徴付け、進化形態の多様性に影響を与える要因を明らかにした。今後DARLEIを拡張して、よりリッチな環境における多様な形態素間の相互作用を取り入れていきたいと考えています。
論文参考訳（メタデータ） (2023-12-08T16:51:10Z)
Class Binarization to NeuroEvolution for Multiclass Classification [9.179400849826216]
マルチクラス分類は、機械学習における基本的で挑戦的なタスクである。多クラス分類をバイナリ分類の集合に分解することは、クラスバイナライゼーション(class binarization)と呼ばれる。マルチクラス分類のための神経進化のクラスバイナライズ戦略を設計するために,誤り訂正出力符号(ECOC)を適用した新しい手法を提案する。
論文参考訳（メタデータ） (2023-08-26T13:26:13Z)
The Clock and the Pizza: Two Stories in Mechanistic Explanation of Neural Networks [59.26515696183751]
ニューラルネットワークにおけるアルゴリズム発見は、時としてより複雑であることを示す。単純な学習問題でさえ、驚くほど多様なソリューションを許容できることが示されています。
論文参考訳（メタデータ） (2023-06-30T17:59:13Z)
Generative Adversarial Neuroevolution for Control Behaviour Imitation [3.04585143845864]
本稿では,一般的なシミュレーション環境における行動模倣にディープ・ニューロエボリューションが有効かどうかを考察する。我々は、単純な共進化的逆数生成フレームワークを導入し、標準の深い再帰ネットワークを進化させることにより、その能力を評価する。全てのタスクにおいて、事前訓練されたエージェントが獲得したものよりも高いスコアを達成できる最後のエリートアクターが見つかる。
論文参考訳（メタデータ） (2023-04-03T16:33:22Z)
Binary and Multinomial Classification through Evolutionary Symbolic Regression [0.0]
GPClf, CartesianClf, ClaSyCoの3つの進化的シンボリック回帰に基づく二項および多項データセットの分類アルゴリズムを提案する。 162以上のデータセットをテストし、XGBoost、LightGBM、ディープニューラルネットワークという最先端の3つの機械学習アルゴリズムと比較して、私たちのアルゴリズムは競争力があると考えています。
論文参考訳（メタデータ） (2022-06-25T18:38:40Z)
Evolution of Activation Functions for Deep Learning-Based Image Classification [0.0]
活性化関数(AF)は、ニューラルネットワークの性能において重要な役割を果たす。 AFを進化させる新しい3つの集団共進化アルゴリズムを提案する。 MNIST、FashionMNIST、KMNIST、USPSの4つのデータセットでテストした結果、優れたAFとAFアーキテクチャを見つけるためのパフォーマンスアルゴリズムであることが証明された。
論文参考訳（メタデータ） (2022-06-24T05:58:23Z)
Evolutionary Multi-Armed Bandits with Genetic Thompson Sampling [13.173307471333619]
遺伝的トンプソンサンプリング(英語版)は、エージェントの集団を維持し、エリート選択、クロスオーバー、突然変異などの遺伝的原理でそれらを更新するバンディットアルゴリズムである。 EvoBanditはWebベースのインタラクティブな視覚化で、学習プロセス全体を通して読者をガイドし、オンザフライで軽量な評価を行う。
論文参考訳（メタデータ） (2022-04-26T22:41:17Z)
Improving RNA Secondary Structure Design using Deep Reinforcement Learning [69.63971634605797]
本稿では,RNA配列設計に強化学習を適用した新しいベンチマークを提案する。このベンチマークでは,目的関数を配列の二次構造における自由エネルギーとして定義する。本稿では,これらのアルゴリズムに対して行うアブレーション解析の結果と,バッチ間でのアルゴリズムの性能を示すグラフを示す。
論文参考訳（メタデータ） (2021-11-05T02:54:06Z)
Epigenetic evolution of deep convolutional models [81.21462458089142]
我々は、より深い畳み込みモデルを進化させるために、これまで提案されていた神経進化の枠組みを構築した。異なる形状と大きさのカーネルを同一層内に共存させる畳み込み層配置を提案する。提案したレイアウトにより、畳み込み層内の個々のカーネルのサイズと形状を、対応する新しい突然変異演算子で進化させることができる。
論文参考訳（メタデータ） (2021-04-12T12:45:16Z)
Involution: Inverting the Inherence of Convolution for Visual Recognition [72.88582255910835]
本稿では,畳み込みの原理を逆転させることにより,深層ニューラルネットワークの新たな原子操作を提案する。提案する畳み込み演算子は、視覚認識のための新しい世代のニューラルネットワークを構築するための基本ブロックとして利用することができる。当社のInvolutionベースのモデルは、ResNet-50を使用した畳み込みベースラインのパフォーマンスを最大1.6%の精度、2.5%と2.4%のバウンディングボックスAP、4.7%は絶対にIoUを意味します。
論文参考訳（メタデータ） (2021-03-10T18:40:46Z)
AutoML-Zero: Evolving Machine Learning Algorithms From Scratch [76.83052807776276]
基本数学的操作をビルディングブロックとして使うだけで,完全な機械学習アルゴリズムを自動的に発見できることが示される。汎用的な検索空間を通じて人間のバイアスを大幅に低減する新しいフレームワークを導入することでこれを実証する。機械学習アルゴリズムをゼロから発見する上で、これらの予備的な成功は、この分野における有望な新しい方向性を示していると信じている。
論文参考訳（メタデータ） (2020-03-06T19:00:04Z)

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。