关于在训练过程中使用人工生成对象的研究 基于分散数据的MLP神经网络

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 存储在具有不同属性的本地表中的分散数据对统一模型培训提出了挑战.
• 现有的方法很难有效地训练单个神经网络在这种异质数据上.

研究的目的:

• 提出和评估一种新的方法来训练单个多层感知器在分散的数据上.
• 调查生成人工物体对当地模型培训的影响.

主要方法:

• 在本地表上训练具有相同结构的本地模型,由于不同的属性,需要生成人工对象.
• 对人工物体生成的变化参数值的系统研究,包括数量,数据分散和平衡.
• 不同的神经网络结构的比较,特别是隐藏层中神经元的数量.

主要成果:

• 对于大型数据集,较少的人工对象是最佳的,数据平衡/分散对分类的影响最小.
• 对于较小的数据集,生成三到四个人工对象会产生更好的结果.
• 增加隐藏层神经元 (3-5倍输入层神经元) 可以显著提高大数据集的分类准确性.

结论:

• 拟议的方法通过战略性地生成人工对象,有效地在分散的数据上训练神经网络.
• 最佳的人工对象数量取决于数据集大小,突出了性能调整的关键参数.
• 网络架构,特别是隐藏层大小,对于实现分散数据的高分类准确性至关重要.