LAS HIPERREDES APRENDEN LA TAREA DE CLASIFICACIÓN BINARIA DE DOBLE ESPIRAL

Resumen

Este artículo explora la aplicación de algoritmos de aprendizaje de hypernetworks en el campo del aprendizaje de máquina, utilizando como ejemplo la tarea de clasificar la doble espiral en el dominio binario. Este estudio demuestra experimentalmente una tasa de aprendizaje de hasta el 98,22 % con los datos de doble espiral binaria con 225 puntos, y del 100 % en el conjunto de datos con 121 puntos. Los hallazgos proporcionan una aproximación sobre los beneficios, la utilidad y el potencial de la arquitectura de hypernetworks en la resolución de tareas complejas de clasificación no lineal. El algoritmo evolutivo para se puede aplicar en matrices de compuertas programables en campo (FPGAs). Las características jerárquicas y distribuidas de los modelos de hipernetworks, junto con el paralelismo inherente de las FPGAs, constituyen una combinación potente para tareas de alta velocidad de respuesta. Un aspecto único de este enfoque es la incorporación de principios de organización jerárquica biomiméticos similares al procesamiento biológico de la información, que mostró ser altamente efectivos para abordar tareas computacionales complejas.