Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Tiến hóa của các quy tắc học định nghĩa cục bộ và sự phối hợp của chúng trong mạng nơ-ron phản hồi
Tóm tắt
Chúng tôi đề xuất một phương pháp để tiến hóa hành vi thích ứng của việc học trong mạng nơ-ron nhân tạo (ANN). Hành vi thích ứng của việc học xuất hiện từ sự phối hợp của các quy tắc học. Mỗi quy tắc học được định nghĩa như một hàm của thông tin cục bộ của một nơ-ron tương ứng và điều chỉnh cường độ kết nối giữa nơ-ron đó và các nơ-ron lân cận. Nó chịu tác động của áp lực chọn lọc dựa trên giá trị thích nghi, đại diện cho tầm quan trọng trong việc tạo ra các tín hiệu đầu ra chính xác của ANN. Các quy tắc học có giá trị thích nghi thấp hơn sẽ bị thay thế bằng các quy tắc mới được tạo ra từ các kỹ thuật lập trình di truyền. Kết quả thí nghiệm cho thấy phương pháp được đề xuất tạo ra hành vi thích ứng của việc học trong các ANN một lớp và hai lớp. Điều này có nghĩa là các quy tắc học hiệu quả đang tiến hóa. Hơn nữa, các quy tắc học trong ANN hai lớp phối hợp với nhau và hành vi thích ứng vĩ mô của việc học xuất hiện.
Từ khóa
#mạng nơ-ron nhân tạo #quy tắc học #hành vi thích ứng #lập trình di truyền #áp lực chọn lọcTài liệu tham khảo
Koza JR, Rice JP (1991) Generation of both the weights and architecture for a neural network. IJCNN-91-Seattle, vol II, pp 397–404
Kitano H (1994) Neurogenetic learning: an integrated method of designing and training neural networks using genetic algorithms. Physica D 75:225–238
Bornholdt S, Graudenz D (1992) General asymmetric neural networks and structure design by genetic algorithms. Neural Networks 5:327–334
Maniezzo V (1994) Genetic evolution of the topology and weight distribution of neural networks. IEEE Trans on Neural Networks 5(1):39–53
Ackley D, Littman M (1991) Interactions between learning and evolution. Artificial Life II, SFI Studies in the Sciences of Complexity, vol X, Addison-Wesley, Reading, Mass
Chalmers DJ (1990) The evolution of learning: an experiment in genetic connectionism. Proceedings of the 1990 Connectionist Models Summer School, San Mateo
Koza JR (1994) Genetic programming II: automatic discovery of reusable programs. MIT Press, Cambridge, Mass
Matsunaga Y, Murase K, Yamakawa O et al. (1996) A modified back-propagation algorithm that automatically removes redundant hidden unit by competition (in Japanese). Trans IEICE, Part D-II, J79-D-II(3):403–412
Murao H, Kitamura S (1996) Evolution of locally defined learning rules and their coodination in feedforward neural networks. In: Sugisaka M (ed) Proceedings of the International Symposium on Artificial Life and Robotics (AROB1), Beppu, Oita, Japan, Feb 18–20, pp 183–186