Clasificación incremental inteligente utilizando redes neuronales mejoradas con saltamontes dinámicos para flujos de...

Área de la Ciencia:

• Inteligencia Artificial
• Aprendizaje Automático
• Algoritmos de Optimización

Sus antecedentes:

• Los flujos de datos complejos presentan desafíos para las redes neuronales debido al dinamismo y los cambios de distribución.
• A menudo se requiere reentrenamiento frecuente para mantener la precisión, lo que afecta la eficiencia.
• Los métodos de optimización existentes luchan con la adaptación en tiempo real a las características cambiantes de los datos.

Objetivo del estudio:

• Proponer un marco de aprendizaje incremental inteligente para la optimización de hiperparámetros en tiempo real en redes neuronales.
• Desarrollar un Algoritmo de Optimización Dinámica de Saltamontes (DGOA) para el aprendizaje adaptativo en flujos de datos.
• Mejorar la precisión y eficiencia de la clasificación en entornos dinámicos sin reentrenamiento constante.

Principales métodos:

• Integración de un Algoritmo de Optimización Dinámica de Saltamontes (DGOA) con una red neuronal de Perceptrón Multicapa (MLP).
• Utilización del control dinámico de parámetros y la reconfiguración de enjambres en línea de DGOA para la adaptación autónoma.
• Ajuste incremental de hiperparámetros como la tasa de aprendizaje y el momento para el aprendizaje continuo.

Principales resultados:

• El MLP basado en DGOA logró una precisión de clasificación del 89,5% en el conjunto de datos del mercado eléctrico australiano.
• Superó a Grid Search, Random Search, PSO, GA, ACO y GOA estándar en precisión de clasificación.
• Demostró una eficiencia superior con un tiempo computacional reducido (120 s), convergencia más rápida (30 iteraciones) y la pérdida final más baja (0,21).

Conclusiones:

• El marco DGOA propuesto ofrece una estrategia de optimización de hiperparámetros totalmente en línea y impulsada por inteligencia de enjambres para flujos de big data.
• Este enfoque mejora significativamente la precisión, la generalización y la eficiencia computacional en comparación con los métodos convencionales.
• El sistema maneja eficazmente los cambios continuos de distribución en los flujos de datos, lo que permite una clasificación robusta y adaptativa.