دانلود مقاله انگلیسی رایگان:جستجوی تکاملی با کمک Surrogate از معماری عصبی اسپایک در ماشینهای حالت مایع - 2020
دانلود بهترین مقالات isi همراه با ترجمه فارسی

با سلام خدمت کاربران عزیز، به اطلاع می رساند ترجمه مقالاتی که سال انتشار آن ها زیر 2008 می باشد رایگان بوده و میتوانید با وارد شدن در صفحه جزییات مقاله به رایگان ترجمه را دانلود نمایید.

دانلود مقاله انگلیسی شبکه های نورونی رایگان
  • Surrogate-Assisted Evolutionary Search of Spiking Neural Architectures in Liquid State Machines Surrogate-Assisted Evolutionary Search of Spiking Neural Architectures in Liquid State Machines
    Surrogate-Assisted Evolutionary Search of Spiking Neural Architectures in Liquid State Machines

    سال انتشار:

    2020


    عنوان انگلیسی مقاله:

    Surrogate-Assisted Evolutionary Search of Spiking Neural Architectures in Liquid State Machines


    ترجمه فارسی عنوان مقاله:

    جستجوی تکاملی با کمک Surrogate از معماری عصبی اسپایک در ماشینهای حالت مایع


    منبع:

    Sciencedirect - Elsevier - Neurocomputing, 406 (2020) 12-23. doi:10.1016/j.neucom.2020.04.079


    نویسنده:

    Yan Zhou a , Yaochu Jin a , b , ∗, Jinliang Ding a


    چکیده انگلیسی:

    Spiking neural networks (SNNs) are believed to be a powerful neural computation framework inspired by the vivo neurons. As a class of recurrent SNNs, liquid state machines (LSMs) are biologically more plausible models imitating the architecture and functions of the human brain for information processing. However, few LSM models can outperform conventional analogue neural networks for solving real-world classification or regression problems, which can mainly be attributed to the sensitivity of the training performance to the architecture of the reservoir and the parameters in the spiking neuron models. Most recently, many algorithms have been proposed for automated machine learning that aims to automatically design the architecture and parameters of deep neural networks without much human intervention. Although automated machine learning and neural architecture search have been extremely successful in conventional neural networks, little research on search for an optimal architecture and hyperparameters of LSMs has been reported. This work proposes on a surrogate-assisted evolutionary search method for optimization of the hyperparameters and neural architecture of the reservoir of LSMs using the covariance matrix adaptation evolution strategy (CMA-ES). For reducing the search space, the architecture of the LSM is encoded by a connectivity probability together with the hyperparameters in the spiking neuron models. To enhance the computational efficiency, a Gaussian process is adopted as the surrogate to assist the CMA-ES. The proposed GP-assisted CMA-ES is compared with the canonical CMA-ES and a Bayesian optimization algorithm on two popular datasets including image and action recognition. Our results confirm that the proposed algorithm is efficient and effective in optimizing the parameters and architecture of LSMs.
    Keywords: Spiking neural network | Liquid state machine | Parameter and architecture search | Surrogate-assisted evolutionary search | Evolution strategy | Bayesian optimization | Gaussian process


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 12
    حجم فایل: 2604 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی
logo-samandehi