Mejora sinérgica del algoritmo Ivy para la clasificación desequilibrada basada en GAN

Área de la Ciencia:

• Inteligencia Computacional
• Algoritmos de Inteligencia de Enjambre
• Técnicas de Optimización

Sus antecedentes:

• El Algoritmo Ivy estándar (IVYA) es un método de optimización de inteligencia de enjambres inspirado en el crecimiento de las plantas.
• Equilibrar la exploración y la explotación es fundamental para la eficiencia de IVYA en problemas de alta dimensionalidad.
• Los métodos existentes enfrentan desafíos para mantener la diversidad y escapar de los óptimos locales.

Objetivo del estudio:

• Proponer un Algoritmo Ivy Mejorado (E-IVYA) para mejorar el rendimiento de la optimización.
• Abordar el desafío del equilibrio entre exploración y explotación en la inteligencia de enjambres.
• Mejorar la eficiencia del aprendizaje automático automatizado, especialmente la optimización de hiperparámetros.

Principales métodos:

• Introdujo un marco de perturbación dinámica para la diversidad de la población (exploración simétrica y asimétrica).
• Implementó un mecanismo de escape dinámico utilizando mutación diferencial de élite para evitar el estancamiento.
• Integró una estrategia de movimiento adaptativa inspirada en el Algoritmo de Seno-Coseno para el equilibrio entre exploración y explotación.

Principales resultados:

• E-IVYA demostró un rendimiento superior frente a algoritmos de referencia en los conjuntos de pruebas IEEE CEC 2014 y 2017.
• El algoritmo logró una alta puntuación F1 de 0.87 para la clasificación de la clase minoritaria en el conjunto de datos de fraude con tarjeta de crédito.
• E-IVYA superó significativamente a las técnicas estándar como SMOTE en la optimización de redes generativas adversarias para datos desequilibrados.

Conclusiones:

• El Algoritmo Ivy Mejorado (E-IVYA) es una herramienta de optimización robusta y eficiente.
• E-IVYA aborda eficazmente problemas de optimización complejos y de alta dimensionalidad.
• Las mejoras propuestas proporcionan un enfoque superior para tareas de aprendizaje automático automatizado, especialmente con conjuntos de datos desequilibrados.