Un estudio de vanguardia sobre la teoría y arquitecturas del aprendizaje profundo
Autores: Alom, Md Zahangir; Taha, Tarek M.; Yakopcic, Chris; Westberg, Stefan; Sidike, Paheding; Nasrin, Mst Shamima; Hasan, Mahmudul; Van Essen, Brian C.; Awwal, Abdul A. S.; Asari, Vijayan K.
Idioma: Inglés
Editor: MDPI
Año: 2019
Acceso abierto
Artículo científico
2019
Un estudio de vanguardia sobre la teoría y arquitecturas del aprendizaje profundo
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Aprendizaje profundo
Aprendizaje automático
Supervisado
No supervisado
Redes neuronales
Red neuronal convolucional
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
En los últimos años, el aprendizaje profundo ha obtenido un tremendo éxito en una variedad de dominios de aplicación. Este nuevo campo de aprendizaje automático ha estado creciendo rápidamente y se ha aplicado a la mayoría de los dominios de aplicación tradicionales, así como a algunas nuevas áreas que presentan más oportunidades. Diferentes métodos han sido propuestos basados en diferentes categorías de aprendizaje, incluyendo aprendizaje supervisado, semi-supervisado y no supervisado. Los resultados experimentales muestran un rendimiento de vanguardia utilizando el aprendizaje profundo en comparación con enfoques tradicionales de aprendizaje automático en los campos de procesamiento de imágenes, visión por computadora, reconocimiento de voz, traducción automática, arte, imágenes médicas, procesamiento de información médica, robótica y control, bioinformática, procesamiento de lenguaje natural, ciberseguridad y muchos otros. Esta encuesta presenta un breve resumen de los avances que han ocurrido en el área de Aprendizaje Profundo (DL), comenzando con la Red Neuronal Profunda (DNN). La encuesta continúa abarcando la Red Neuronal Convolucional (CNN), la Red Neuronal Recurrente (RNN), incluyendo la Memoria a Corto y Largo Plazo (LSTM) y las Unidades Recurrentes con Puertas (GRU), el Codificador-Auto (AE), la Red de Creencias Profundas (DBN), la Red Generativa Adversaria (GAN) y el Aprendizaje Profundo por Refuerzo (DRL). Además, hemos discutido desarrollos recientes, como técnicas avanzadas de variantes de DL basadas en estos enfoques de DL. Este trabajo considera la mayoría de los artículos publicados después de 2012, cuando comenzó la historia del aprendizaje profundo. Además, se incluyen en esta encuesta enfoques de DL que han sido explorados y evaluados en diferentes dominios de aplicación. También se incluyeron marcos de trabajo, SDK y conjuntos de datos de referencia recientemente desarrollados que se utilizan para implementar y evaluar enfoques de aprendizaje profundo. Hay algunas encuestas que se han publicado sobre DL utilizando redes neuronales y una encuesta sobre Aprendizaje por Refuerzo (RL). Sin embargo, esos artículos no han discutido técnicas avanzadas individuales para entrenar modelos de aprendizaje profundo a gran escala y el método de modelos generativos recientemente desarrollado.
Descripción
En los últimos años, el aprendizaje profundo ha obtenido un tremendo éxito en una variedad de dominios de aplicación. Este nuevo campo de aprendizaje automático ha estado creciendo rápidamente y se ha aplicado a la mayoría de los dominios de aplicación tradicionales, así como a algunas nuevas áreas que presentan más oportunidades. Diferentes métodos han sido propuestos basados en diferentes categorías de aprendizaje, incluyendo aprendizaje supervisado, semi-supervisado y no supervisado. Los resultados experimentales muestran un rendimiento de vanguardia utilizando el aprendizaje profundo en comparación con enfoques tradicionales de aprendizaje automático en los campos de procesamiento de imágenes, visión por computadora, reconocimiento de voz, traducción automática, arte, imágenes médicas, procesamiento de información médica, robótica y control, bioinformática, procesamiento de lenguaje natural, ciberseguridad y muchos otros. Esta encuesta presenta un breve resumen de los avances que han ocurrido en el área de Aprendizaje Profundo (DL), comenzando con la Red Neuronal Profunda (DNN). La encuesta continúa abarcando la Red Neuronal Convolucional (CNN), la Red Neuronal Recurrente (RNN), incluyendo la Memoria a Corto y Largo Plazo (LSTM) y las Unidades Recurrentes con Puertas (GRU), el Codificador-Auto (AE), la Red de Creencias Profundas (DBN), la Red Generativa Adversaria (GAN) y el Aprendizaje Profundo por Refuerzo (DRL). Además, hemos discutido desarrollos recientes, como técnicas avanzadas de variantes de DL basadas en estos enfoques de DL. Este trabajo considera la mayoría de los artículos publicados después de 2012, cuando comenzó la historia del aprendizaje profundo. Además, se incluyen en esta encuesta enfoques de DL que han sido explorados y evaluados en diferentes dominios de aplicación. También se incluyeron marcos de trabajo, SDK y conjuntos de datos de referencia recientemente desarrollados que se utilizan para implementar y evaluar enfoques de aprendizaje profundo. Hay algunas encuestas que se han publicado sobre DL utilizando redes neuronales y una encuesta sobre Aprendizaje por Refuerzo (RL). Sin embargo, esos artículos no han discutido técnicas avanzadas individuales para entrenar modelos de aprendizaje profundo a gran escala y el método de modelos generativos recientemente desarrollado.