利用自然启发算法优化神经网络权重
机器学习
2021-05-24 v1 人工智能
摘要
本研究旨在使用自然启发优化算法（如 PSO、MTO 及其称为 MTOCL 的变体）来优化深度前馈神经网络（DFNNs）的训练。我们展示了这些算法在从数据中学习时如何高效更新 DFNN 的权重。我们在三种 Wisconsin 乳腺癌数据集（Original、Diagnostic 和 Prognosis）下不同实验场景中评估了融合优化算法的 DFNN 的性能。实证分析表明，MTOCL 在三种数据集的大多数场景中表现最佳。此外，对于原始数据集，MTOCL 与过去的权重优化算法相当；对于其他数据集，尤其是具有挑战性的 Prognostic 数据集，MTOCL 更优。
引用
@article{arxiv.2105.09983,
title = {Optimizing Neural Network Weights using Nature-Inspired Algorithms},
author = {Wael Korani and Malek Mouhoub and Samira Sadaoui},
journal= {arXiv preprint arXiv:2105.09983},
year = {2021}
}
备注
15 pages, 5 figures, 4 tables