Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Roder, Mateus [UNESP] | - |
Autor(es): dc.creator | De Rosa, Gustavo Henrique [UNESP] | - |
Autor(es): dc.creator | Papa, Joao Paulo [UNESP] | - |
Autor(es): dc.creator | Breve, Fabricio Aparecido [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:52:10Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:52:10Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2020-07-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/CEC48606.2020.9185505 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/208017 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/208017 | - |
Descrição: dc.description | Restricted Boltzmann Machines (RBM) are stochastic neural networks mainly used for image reconstruction and unsupervised feature learning. An enhanced version, the temperature-based RBM (T-RBM), considers a new temperature parameter during the learning process that influences the neurons' activation. Nevertheless, the major vulnerability of such models concerns selecting an adequate system's temperature, which might lead them to inadequate training or even overfitting when wrongly set, thus limiting the network from predicting or working effectively over unseen data. This paper addresses the problem of selecting a suitable system's temperature through a meta-heuristic optimization process. Meta-heuristic-driven techniques, such as Particle Swarm Optimization, Bat Algorithm, and Artificial Bee Colony are employed to find proper values for the temperature parameter. Additionally, for comparison purposes, three standard temperature values and a random search are used as baselines. The results revealed that optimizing T-RBM is suitable for training purposes, primarily due to their complex fitness landscape, which makes fine-tuning temperatures a nontrivial task. | - |
Descrição: dc.description | Unesp - São Paulo State University Department of Computing | - |
Descrição: dc.description | São Paulo State University Department of Mathematics | - |
Descrição: dc.description | Unesp - São Paulo State University Department of Computing | - |
Descrição: dc.description | São Paulo State University Department of Mathematics | - |
Idioma: dc.language | en | - |
Relação: dc.relation | 2020 IEEE Congress on Evolutionary Computation, CEC 2020 - Conference Proceedings | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | Image Reconstruction | - |
Palavras-chave: dc.subject | Meta-Heuristic Optimization | - |
Palavras-chave: dc.subject | Restricted Boltzmann Machine | - |
Palavras-chave: dc.subject | Temperature-based Systems | - |
Título: dc.title | Fine-Tuning Temperatures in Restricted Boltzmann Machines Using Meta-Heuristic Optimization | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: