stringtranslate.com

Adquisición evolutiva de topologías neuronales

La adquisición evolutiva de topologías neuronales ( EANT / EANT2 ) es un método de aprendizaje de refuerzo evolutivo que evoluciona tanto la topología como los pesos de las redes neuronales artificiales . Está estrechamente relacionado con los trabajos de Angeline et al. [1] y Stanley y Miikkulainen. [2] Al igual que el trabajo de Angeline et al., el método utiliza un tipo de mutación paramétrica que proviene de las estrategias de evolución y la programación evolutiva (ahora utilizando la forma más avanzada de las estrategias de evolución CMA-ES en EANT2), en la que se utilizan tamaños de paso adaptativos para optimizar los pesos de las redes neuronales. Similar al trabajo de Stanley ( NEAT ), el método comienza con estructuras mínimas que ganan complejidad a lo largo del camino de la evolución.

Contribución de la EANT a la neuroevolución

A pesar de compartir estas dos propiedades, el método tiene las siguientes características importantes que lo distinguen de trabajos anteriores en neuroevolución .

Introduce una codificación genética denominada codificación genética común (CGE) que maneja tanto la codificación directa como la indirecta de redes neuronales dentro del mismo marco teórico. La codificación tiene propiedades importantes que la hacen adecuada para la evolución de las redes neuronales:

  1. Es completo en el sentido de que es capaz de representar todo tipo de redes fenotípicas válidas.
  2. Es cerrado , es decir, cada genotipo válido representa un fenotipo válido. (De manera similar, la codificación es cerrada bajo operadores genéticos como mutación estructural y cruce).

Estas propiedades han sido demostradas formalmente. [3]

Para desarrollar la estructura y los pesos de las redes neuronales, se utiliza un proceso evolutivo, en el que la exploración de las estructuras se ejecuta en una escala de tiempo mayor (exploración estructural) y la explotación de las estructuras existentes se realiza en una escala de tiempo menor (explotación estructural). En la fase de exploración estructural, se desarrollan nuevas estructuras neuronales añadiendo gradualmente nuevas estructuras a una red inicialmente mínima que se utiliza como punto de partida. En la fase de explotación estructural, los pesos de las estructuras actualmente disponibles se optimizan utilizando una estrategia de evolución .

Actuación

Se ha probado EANT en algunos problemas de referencia, como el problema de equilibrio de doble polo [4] y el problema de control remoto de RoboCup [5] . En todas las pruebas, se ha comprobado que EANT funciona muy bien. Además, se ha probado una versión más nueva de EANT, llamada EANT2, en una tarea de servocontrol visual y se ha comprobado que supera a NEAT y al método iterativo tradicional de Gauss-Newton [6] . Otros experimentos incluyen resultados sobre un problema de clasificación [7]

Referencias

  1. ^ Peter J Angeline, Gregory M Saunders y Jordan B Pollack. Un algoritmo evolutivo que construye redes neuronales recurrentes. IEEE Transactions on Neural Networks, 5:54–65, 1994. [1]
  2. ^ Neuroevolución de topologías aumentadas (NEAT) por Stanley y Miikkulainen, 2005 [2]
  3. ^ Yohannes Kassahun, Mark Edgington, Jan Hendrik Metzen, Gerald Sommer y Frank Kirchner. Codificación genética común para codificaciones directas e indirectas de redes. En Actas de la Conferencia sobre computación genética y evolutiva (GECCO 2007), Londres, Reino Unido, 1029–1036, 2007.[3]
  4. ^ Yohannes Kassahun y Gerald Sommer. Aprendizaje por refuerzo eficiente mediante la adquisición evolutiva de topologías neuronales. En Actas del 13.º Simposio Europeo sobre Redes Neuronales Artificiales (ESANN 2005), páginas 259-266, Brujas, Bélgica, abril de 2005. «Copia archivada» (PDF) . Archivado desde el original (PDF) el 2007-06-13 . Consultado el 2008-02-11 .{{cite web}}: CS1 maint: copia archivada como título ( enlace )
  5. ^ Jan Hendrik Metzen, Mark Edgington, Yohannes Kassahun y Frank Kirchner. Evaluación del rendimiento de EANT en el banco de pruebas Keepaway de RoboCup. En Actas de la Sexta Conferencia Internacional sobre Aprendizaje Automático y Aplicaciones (ICMLA 2007), páginas 342–347, EE. UU., 2007 [4]
  6. ^ Nils T Siebel y Gerald Sommer. Aprendizaje de refuerzo evolutivo de redes neuronales artificiales. International Journal of Hybrid Intelligent Systems 4(3): 171–183, octubre de 2007. [5]
  7. ^ Nils T Siebel y Gerald Sommer. Aprendizaje de clasificadores de defectos para imágenes de inspección visual mediante neuroevolución utilizando datos de entrenamiento débilmente etiquetados. Actas del Congreso IEEE sobre computación evolutiva (CEC 2008), páginas 3926–3932, Hong Kong, China, junio de 2008. [6].

Enlaces externos