本文介绍了一种基于进化集成学习方法的新型适应度函数及分类器集成选择标准,实验表明离线模式优于单一假设的进化学习和现有的增强学习算法,并生成更小的分类器集成。
Apr, 2007
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
本研究提出一种使用进化计算来选择有用的识别脑电特征并优化人工神经网络拓扑结构的新方法,同时探讨了深度学习和长短时记忆的调整,使用三个分类器对注意状态、情感和数字数据集进行比较,结果表明自适应提升的 LSTM 可以在注意力、情感和数字数据集上分别达到 84.44%、97.06% 和 9.94% 的准确度,进化优化的 MLP 趋近于自适应提升的 LSTM。
Aug, 2019
采用进化算法发现神经网络的架构,提出新型变异算子探索搜索空间以实现自动化,成功在 CIFAR-10 和 CIFAR-100 数据集上达到 94.6% 和 77.0% 的准确率,且无需人为干预。
Mar, 2017
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
本文旨在通过引入一个新颖的框架,展示 AutoML 可以进一步通过基本数学运算作为构建块自动发现完整的机器学习算法,从而大大减少人类偏见,并通过演化搜索不同类型的任务来适应算法。
Mar, 2020
这篇文章介绍了使用进化算法自动生成图像分类器的技术,并提出了一种改进的锦标赛选择进化算法,在同样的计算资源下超过了人类手工设计的图像分类器,并在 ImageNet 数据集上取得了优异成果。
Feb, 2018
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
这篇论文是关于进化计算、人工智能、进化机器学习、进化动态优化和机器学习之间互相结合的研究,旨在激发进化学习社区的兴趣并在该领域激发创新贡献。
Oct, 2023