本文提出了一种基于遗传编程的演化深度学习方法,可以自动演化可变长度模型,同时构建有效和多样化的 ensemble 用于图像分类,具有优越的性能和解释性。
Sep, 2022
我们提出了一个使用自监督学习来进化深度神经网络的框架,通过在 CIFAR-10 数据集上的实验结果表明,我们能够在降低对标注数据依赖的同时进化出适当的神经网络结构,并且相比于采用监督学习的个体,通过自监督学习学习到的网络结构对于输入的标注数据量较不敏感。
Jun, 2024
本文提出了一种利用遗传算法优化深度卷积神经网络结构和连接权重初始化的图像分类算法,该算法利用一个高效的可变长度基因编码策略和新的表示方案初始化深度卷积神经网络的连接权重,并提出了一种新的适应度评估方法,实现了在少量计算资源下的快速启发式搜索,与其他 22 个现有算法相比在九个广泛应用于图像分类的任务中表现明显优越。
Oct, 2017
本篇论文探讨神经进化在深度学习中的作用,其中 HyperNeat 通过训练一种间接编码来实现学习大型神经结构,并且结合其他机器学习方法可以有效提取特征。
Dec, 2013
本文探讨了一种更具生物学可行性的深度表示学习方法,通过一种基础学习规则(即基于突触权重更新的时序相关型可塑性)引出一种机器学习的梯度下降算法,利用神经元动态学实现了近似的变分 EM 算法,提出了使用去噪自编码器实现梯度的方法,并将其在生成学习任务上加以验证。
Feb, 2015
该研究论文探讨了文化进化理论对于解释深度学习成功的重要性,认为深度学习中的重要创新可以被视为发展上的约束,而文化进化可作为解决方法来提高发展的效率和创新的生成率。
May, 2022
基于对 DL 学习动态的观察,提出了一种基于复杂特征构建的新理论。
Jul, 2023
本文主要探讨深度学习面临的挑战,包括大规模模型与数据集的扩展、优化难点、设计高效的推断与抽样过程,以及学习分离数据中的因素变化等,并提出相应的研究方向。
May, 2013
我们证明了遗传算法可以在深度人工神经网络上实现良好的性能表现,即使没有梯度信息支持,我们使用深度遗传算法结合新颖搜索技巧在具有挑战性的深度强化学习问题上获得了成功,并且速度比其他算法更快,能够实现高效编码。
Dec, 2017
该文章使用复杂网络中常用的技术研究了深度置信网络,以期获得从学习过程中得到的计算图的结构和功能特性的一些见解。
Sep, 2018