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 Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Passos, Leandro Aparecido | - |
Autor(es): dc.creator | Papa, Joao Paulo [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:57:44Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:57:44Z | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2021-06-25 | - |
Data de envio: dc.date.issued | 2020-11-30 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1016/j.asoc.2019.105717 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/209831 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/209831 | - |
Descrição: dc.description | Deep 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.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Fundação para o Desenvolvimento da UNESP (FUNDUNESP) | - |
Descrição: dc.description | Coordenação de Aperfeiçoamento de Pessoal de Nível Superior (CAPES) | - |
Descrição: dc.description | Univ Fed Sao Carlos, Dept Comp, Rod Washington Luis,Km 235, BR-13565905 Sao Carlos, Brazil | - |
Descrição: dc.description | Sao Paulo State Univ, Dept Comp, Av Eng Luiz Edmundo Carrijo Coube 14-01, BR-17033360 Bauru, SP, Brazil | - |
Descrição: dc.description | Sao Paulo State Univ, Dept Comp, Av Eng Luiz Edmundo Carrijo Coube 14-01, BR-17033360 Bauru, SP, Brazil | - |
Descrição: dc.description | FAPESP: 2013/07375-0 | - |
Descrição: dc.description | FAPESP: 2014/12236-1 | - |
Descrição: dc.description | FAPESP: 2016/19403-6 | - |
Descrição: dc.description | CNPq: 306166/2014-3 | - |
Descrição: dc.description | CNPq: 307066/2017-7 | - |
Descrição: dc.description | FUNDUNESP: 2597.2017 | - |
Descrição: dc.description | CAPES: 001 | - |
Formato: dc.format | 12 | - |
Idioma: dc.language | en | - |
Publicador: dc.publisher | Elsevier B.V. | - |
Relação: dc.relation | Applied Soft Computing | - |
???dc.source???: dc.source | Web of Science | - |
Palavras-chave: dc.subject | Deep Boltzmann Machine | - |
Palavras-chave: dc.subject | Meta-heuristic optimization | - |
Palavras-chave: dc.subject | Machine learning | - |
Título: dc.title | A metaheuristic-driven approach to fine-tune Deep Boltzmann Machines | - |
Tipo de arquivo: dc.type | livro digital | - |
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: