Diseño automático de red neuronal de picos profundos basado en un algoritmo de membrana evolutiva

Área de la Ciencia:

• Inteligencia artificial
• Neurociencia computacional
• Aprendizaje automático

Sus antecedentes:

• El diseño de arquitecturas de redes neuronales de picos profundos (DSNN) es complejo e intensivo en recursos, confiando en gran medida en el conocimiento experto y los ajustes manuales iterativos.
• Los métodos actuales para la optimización de la arquitectura DSNN consumen recursos humanos y de hardware significativos debido a las modificaciones repetidas basadas en el rendimiento.
• La necesidad de estrategias de diseño automatizadas y eficientes de DSNN es fundamental para el avance de las aplicaciones de investigación e ingeniería.

Objetivo del estudio:

• Proponer y evaluar un innovador algoritmo de membrana evolutiva para automatizar la optimización de las arquitecturas de redes neuronales de picos profundos (DSNN).
• Reducir la dependencia del ajuste manual y la experiencia de expertos en el diseño de DSNN mediante la transformación de la arquitectura de red en un espacio de búsqueda de algoritmos.
• Mejorar la eficiencia de la optimización de la arquitectura DSNN mediante una estrategia de parada temprana durante la evaluación del rendimiento.

Principales métodos:

• Se desarrolló un algoritmo de membrana evolutiva para automatizar la construcción y el diseño de arquitecturas DSNN.
• La arquitectura DSNN fue mapeada en el espacio de búsqueda del algoritmo de membrana evolutiva, explorando hiperparámetros y bloques de operación candidatos.
• Se integró una estrategia de parada temprana en la fase de evaluación del rendimiento para minimizar la pérdida de tiempo.

Principales resultados:

• El algoritmo propuesto exploró efectivamente el impacto de los hiperparámetros y los bloques de operación candidatos para la optimización de DSNN.
• Se identificaron y evaluaron modelos óptimos de DSNN en los conjuntos de datos CIFAR-10 y CIFAR-100.
• Se observaron mejoras significativas en la precisión en comparación con los métodos de última generación existentes.

Conclusiones:

• El algoritmo de membrana evolutiva ofrece un enfoque novedoso y eficiente para agilizar el diseño y la optimización de la arquitectura DSNN.
• Este método automatizado reduce significativamente el consumo de recursos y mejora la precisión en las aplicaciones DSNN.
• El estudio demuestra el potencial de los algoritmos evolutivos para abordar los desafíos en la optimización automatizada de parámetros para las redes neuronales de picos profundos.