A study of particle swarm optimization for cognitive machines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This paper presents a study of the properties of optimization algorithms for use in cognitive machines through five key measures: (i) speed of convergence, (ii) degree of exploration of the parameter space, (iii) storage and system size, (iv) adaptability, and (v) multi-scale capabilities. Based on these factors, a novel study of the trajectories of a particle in the particle swarm optimization algorithm is performed both in the time and frequency domain. The analysis shows that the trajectories of particles can be separated into a transient and a steady state periods where the transient is wide-sense stationary with long term dependancies that show the evolutionary properties of the algorithm as it converges on a solution. The steady state shows an increased degree of exploration of the parameter space that allow the algorithm to improve on the solution found over time. The results show the advantages of particle swarm optimization and inherent properties that make this optimization algorithm a suitable choice for use in cognitive machines. The information learned from this analysis can further be used to extract complexity measures to classify the behavior and control of particle swarm optimization, and make proper quick decisions on what to do next. The decision process often requires more alternatives to be considered in a short window of time than it is physically possible for a real-time system [Kins04]. Thus, in order to make good decisions without exploring all possible paths, a cognitive system requires optimization techniques that can survey the possible options, and quickly select the best option possible. The paper reviews the requirements for an ideal optimization technique for use in cognitive systems and proposes the particle swarm optimization algorithm as one technique that is designed to satisfy these requirements. In order to show the properties of PSO, a novel trajectory, time, and frequency domain analyses of single particles along individual dimensions are presented.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle