Un algoritmo optimizador de hiperparámetros basado en aprendizaje local basado en oposición condicional, índices redundantes prohibidos y colonia de abejas artificiales adaptativa aplicada a la máquina de aprendizaje extremo regularizada
Autores: Vasquez-Iglesias, Philip; Pizarro, Amelia E.; Zabala-Blanco, David; Fuentes-Concha, Juan; Ahumada-Garcia, Roberto; Laroze, David; Gonzalez, Paulo
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Un algoritmo optimizador de hiperparámetros basado en aprendizaje local basado en oposición condicional, índices redundantes prohibidos y colonia de abejas artificiales adaptativa aplicada a la máquina de aprendizaje extremo regularizada
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Red neuronal
Hiperparámetros
Máquinas de aprendizaje extremo
Análisis metaheurístico
Colonia artificial de abejas
Parametrizaciones
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 30
Citaciones: Sin citaciones
En este trabajo, proponemos una modificación de la colonia artificial de abejas (ABC) metaheurística para actuar como parametrizadores de un ELM regularizado, incorporando tres métodos: un mecanismo adaptativo para ABC para equilibrar la exploración (búsqueda global) y la explotación (búsqueda local), una adaptación de la técnica de aprendizaje basada en la oposición llamada aprendizaje local basado en la oposición (OLBL) para fortalecer la explotación, y un registro de acceso al espacio de búsqueda llamado índices redundantes prohibidos (FRI) que nos permiten evitar cálculos redundantes y rastrear el porcentaje explorado del espacio de búsqueda.
Descripción
En este trabajo, proponemos una modificación de la colonia artificial de abejas (ABC) metaheurística para actuar como parametrizadores de un ELM regularizado, incorporando tres métodos: un mecanismo adaptativo para ABC para equilibrar la exploración (búsqueda global) y la explotación (búsqueda local), una adaptación de la técnica de aprendizaje basada en la oposición llamada aprendizaje local basado en la oposición (OLBL) para fortalecer la explotación, y un registro de acceso al espacio de búsqueda llamado índices redundantes prohibidos (FRI) que nos permiten evitar cálculos redundantes y rastrear el porcentaje explorado del espacio de búsqueda.