A metaheuristic-driven approach to fine-tune Deep Boltzmann Machines

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorUniversidade Federal de São Carlos (UFSCar)-
Autor(es): dc.contributorUniversidade Estadual Paulista (Unesp)-
Autor(es): dc.creatorPassos, Leandro Aparecido-
Autor(es): dc.creatorPapa, Joao Paulo [UNESP]-
Data de aceite: dc.date.accessioned2022-02-22T00:57:44Z-
Data de disponibilização: dc.date.available2022-02-22T00:57:44Z-
Data de envio: dc.date.issued2021-06-25-
Data de envio: dc.date.issued2021-06-25-
Data de envio: dc.date.issued2020-11-30-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.1016/j.asoc.2019.105717-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/11449/209831-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/11449/209831-
Descrição: dc.descriptionDeep learning techniques, such as Deep Boltzmann Machines (DBMs), have received considerable attention over the past years due to the outstanding results concerning a variable range of domains. One of the main shortcomings of these techniques involves the choice of their hyperparameters, since they have a significant impact on the final results. This work addresses the issue of fine-tuning hyperparameters of Deep Boltzmann Machines using metaheuristic optimization techniques with different backgrounds, such as swarm intelligence, memoryand evolutionary-based approaches. Experiments conducted in three public datasets for binary image reconstruction showed that metaheuristic techniques can obtain reasonable results. (C) 2019 Elsevier B.V. All rights reserved.-
Descrição: dc.descriptionFundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP)-
Descrição: dc.descriptionConselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq)-
Descrição: dc.descriptionFundação para o Desenvolvimento da UNESP (FUNDUNESP)-
Descrição: dc.descriptionCoordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES)-
Descrição: dc.descriptionUniv Fed Sao Carlos, Dept Comp, Rod Washington Luis,Km 235, BR-13565905 Sao Carlos, Brazil-
Descrição: dc.descriptionSao Paulo State Univ, Dept Comp, Av Eng Luiz Edmundo Carrijo Coube 14-01, BR-17033360 Bauru, SP, Brazil-
Descrição: dc.descriptionSao Paulo State Univ, Dept Comp, Av Eng Luiz Edmundo Carrijo Coube 14-01, BR-17033360 Bauru, SP, Brazil-
Descrição: dc.descriptionFAPESP: 2013/07375-0-
Descrição: dc.descriptionFAPESP: 2014/12236-1-
Descrição: dc.descriptionFAPESP: 2016/19403-6-
Descrição: dc.descriptionCNPq: 306166/2014-3-
Descrição: dc.descriptionCNPq: 307066/2017-7-
Descrição: dc.descriptionFUNDUNESP: 2597.2017-
Descrição: dc.descriptionCAPES: 001-
Formato: dc.format12-
Idioma: dc.languageen-
Publicador: dc.publisherElsevier B.V.-
Relação: dc.relationApplied Soft Computing-
???dc.source???: dc.sourceWeb of Science-
Palavras-chave: dc.subjectDeep Boltzmann Machine-
Palavras-chave: dc.subjectMeta-heuristic optimization-
Palavras-chave: dc.subjectMachine learning-
Título: dc.titleA metaheuristic-driven approach to fine-tune Deep Boltzmann Machines-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Unesp

Não existem arquivos associados a este item.