基于梯度的浮动质心方法改进神经网络分类器
神经与进化计算
2021-06-01 v1 人工智能
机器学习
摘要
浮动质心方法（FCM）为神经网络分类器解决固定质心问题提供了一种高效途径。然而，作为其优化方法的进化计算因高计算复杂度和低效率，限制了FCM在不同神经网络结构上取得满意性能。传统的基于梯度的方法已被广泛采用以优化神经网络分类器。在本研究中，引入一种基于梯度的浮动质心（GDFC）方法来解决由基于梯度的方法优化的神经网络分类器的固定质心问题。此外，提出了一种用于优化GDFC的新损失函数。实验结果表明，在基准数据集上GDFC取得了优于对比方法的分类性能。
引用
@article{arxiv.1907.08996,
title = {Improving Neural Network Classifier using Gradient-based Floating Centroid Method},
author = {Mazharul Islam and Shuangrong Liu and Lin Wang and Xiaojing Zhang},
journal= {arXiv preprint arXiv:1907.08996},
year = {2021}
}