Las hiperredes aprenden la tarea de clasificación binaria de doble espiral

Barra lateral del artículo

PDF (English)
Publicado: Aug 1, 2023
DOI: https://doi.org/10.57107/hyw.v2i2.43
Palabras clave:
tarea de doble espiral aprendizaje de máquina arquitectura hypernetwork algoritmos evolutivos

Contenido principal del artículo

José Luis Segovia-Juárez
Universidad Tecnológica de los Andes. Abancay. Perú
https://orcid.org/0000-0002-3332-5886

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.

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Cómo citar
Segovia-Juárez, J. L. (2023). Las hiperredes aprenden la tarea de clasificación binaria de doble espiral. Revista De Investigación Hatun Yachay Wasi, 2(2), 9–19. https://doi.org/10.57107/hyw.v2i2.43
Número
Vol. 2 Núm. 2 (2023)
Sección
Artículos
Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Citas

Carpenter, G., Grossber, S., Markuzon, N., John, R., & Rosen, D. B. (1992). Fuzzy ARTMAP: A neural network architecture for incremental supervised learning of analog multidimensional maps. IEEE Transactions on Neural Networks, 3(5), 698–712. DOI: 10.1109/72.159059.

Chalup, S., & Wiklendt, L. (2007). Variations of the two-spiral task. Connection Science, 19(2), 183–199. https://doi.org/10.1080/09540090701398017.

Cruz, A., Mayer, K., & Arantes, D. (2022). RosenPy: An Open-Source Python Framework for Complex-Valued Neural Networks. SSRN. https://doi.org/10.2139/ssrn.4252610.

Dobai, R., & Sekanina, L. (2015). Low-level flexible architecture with hybrid reconfiguration for evolvable hardware. ACM Trans. Reconfigurable Technol. Syst., 8, 1–24. https://doi.org/10.1145/2700414.

Ikuta, C., Uwate, Y., & Nishio, Y. (2010, May 30 - June 2). Chaos glial network connected to multi-layer perceptron for solving two-spiral problem. [Conference]: International Symposium on Circuits and Systems (ISCAS). Paris, France https://doi.org/10.1109/iscas.2010.5537060.

Johnson, A., Liu, J., Millard, A., Karim, S., Tyrrell, A., Harkin, J., & Halli day, D. (201711-13 December). Homeostatic fault tolerance in spiking neural networks utilizing dynamic partial reconfiguration of fpgas. [Conference]. 2017 International Conference on FieldProgrammable Technology (ICFPT). Melbourne, VIC, Australia. https://doi.org/10.1109/fpt.2017.8280139.

Lang, K., & Witbrock, M. (1988). Learning to telltwo spirals apart. The 1988 Connectionist Models Summer School At: Pittsburgh, PA, 52–59. https://doi.org/10.13140/2.1.3459.2329.

Lysecky, R., Stitt, G., & Vahid, F. (2004). Warp processors. ACM Trans. Des. Autom. Electron. Syst., 11, 659–681. https://doi.org/10.1145/1142980.1142986.

Perez, N., Leung, V., Dragotti, P., & Goodman, D. (2021). Neural heterogeneity promotes robust learning. Nature Communications. https://doi.org/10.1038/s41467-021-26022-3.

Ruiz, J., Ramirez, G., & Khanna, R. (2019). Field Programmable Gate Array Applications -A Scientometric Review. Computation, 7, 63. https://doi.org/10.3390/computation7040063.

Segovia, J., Colombano, S., Flores, A., Hidalgo, D., & Mejía, M. (2019). Graph classification with the hypernetwork, a molecule interaction based evolutionary architecture. 2019 IEEE International Conference on Big Data (Big Data), 5384-5393. https://doi.org/10.1109/BigData47090.2019.9005979.

Shang, Q., Chen, L., Cui, J., & Lu, Y. (2020). Hardware evolution based on improved simulated annealing algorithm in cyclone v fpsocs. IEEE Access, 8, 64770–64782. https://doi.org/10.1109/access.2020.2984950.

Singh, S. (2001). Quantifying structural time varying changes in helical data. Neural Computing and Applications, 10(2), 148–154. https://doi.org/10.1007/s005210170006.

Wang, D., Zhou, E., Brake, J., Ruan, H., Jang, M., & Yang, C. (2015). Focusing through dynamic tissue with millisecond digital optical phase conjugation. Optica, 2, 728. https://doi.org/10.1364/optica.2.000728.

Whitley, D., Yoder, J., & Carpenter, N. (2021). Resurrecting fpga intrinsic analog evolvable hardware. The 2021 Conference on Artificial Life. https://doi.org/10.1162/isal_a_00448.

Yang, J., & Kao, C. Y. (2001). A robust evolutionary algorithm for training neural networks. Neural Computing and Applications. https://doi.org/10.1007/s521-001-8050-2.

Yao, X. & Higuchi, T. (1999). Promises and challenges of evolvable hardware. IEEE Trans. Syst. Man Cybern. C, 29, 87–97. https://doi.org/10.1109/5326.74067.