Mar, 2023

基于神经元覆盖度度量的神经进化算法用于半监督分类

HTML
PDF
TL;DR本文介绍了一种在半监督学习中利用神经网络架构内的神经元覆盖度指标来探测未标记样例的神经演化方法，并证实此方法可以使神经进化不再受标记数据稀缺的限制，从而更好地应用在半监督学习中以提高其分类器的泛化能力。
发现论文，激发创造
  • 深度学习生成神经进化

    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

  • 深度神经进化：遗传算法是训练深度神经网络进行强化学习的竞争性替代方案

    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

  • 通过输出梯度为深度和递归神经网络提供安全突变

    该论文提出了一种通过引入安全变异算子来增加深度神经网络的进化能力的方法，这种方法基于梯度的变异算子可以在高维度问题中发现解决方案，该算子不需要额外的环境交互，这扩展了神经进化的适用域。

    Dec, 2017

  • 神经元覆盖引导的领域泛化

    这篇论文研究了如何通过最大化深度神经网络的神经元覆盖率和使用梯度相似性正则化来改善域泛化任务中对于未知样本的决策能力，并通过对网络解剖的可视化分析证明了该方法的合理性和有效性。

    Feb, 2021

  • 一个自适应神经进化算法用于在不同类型之间构建深度神经网络架构

    本篇研究提出了自适应神经进化 (SANE) 方法以自动构建不同任务的轻量 DNN 结构，其中关键的设置是为不同的 DNN 类型定义的细胞和器官的搜索空间。 SANE 能够自适应地调整演化探索和利用以提高搜索效率，并提供了一种大规模且性能出众的 DNN 架构搜索的有效方法。

    Nov, 2022

  • 在稀疏神经网络中使用神经元进化进行监督特征选择

    本文提出了一种基于稀疏神经网络的资源高效的有监督特征选择方法“NeuroFS”，通过逐步修剪稀疏神经网络的输入层来高效获取信息子集。在11个不同类型的低维和高维实际基准测试中，本文证明NeuroFS在所考虑的最先进的有监督特征选择模型中获得了最高的排名分数。

    Mar, 2023

  • 使用神经进化进行多类别分类的类别二值化

    应用Error-Correcting Output Codes (ECOC)于神经演化算法NEAT的多类别分类研究中，研究比较不同类别二值化策略的性能，并发现NEAT与ECOC结合的方法在高准确率和强鲁棒性方面具有显著优势。

    Aug, 2023

  • 神经LGP-SM：基于线性遗传编程的辅助神经进化方法

    我们通过采用基于线性遗传编程的适当表示方法（称为NeuroLGP）和应用克里金偏最小二乘法来解决神经演化中的计算挑战，提出了一种称为NeuroLGP-Surrogate Model（NeuroLGP-SM）的方法。该方法在96次独立运行中表现出卓越的精度，并且比基线方法节省了25%的计算资源，进一步突显了其在神经演化中的效率。

    Mar, 2024

  • NeuroLGP-SM: 深度神经网络的可扩展替代辅助神经进化

    在神经进化（neuroevolution）中，我们提出了一种名为NeuroLGP-SM的方法，它利用表型距离向量和Kriging Partial Least Squares（KPLS）作为代理模型，以高效准确地评估大型深度神经网络（DNNs）的适应度，并且相比其他方法具有竞争力或更好的结果和更高的能源效率。

    Apr, 2024

  • 深度神经网络通过对比自监督学习的进化

    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