Evolving Feedforward Neural Networks Using a Quasi-Opposition-Based Differential Evolution for Data Classification
Notice bibliographique
Résumé
One of the most challenging problems in conducting machine learning is the learning process of feedforward neural networks (FFNN), which means finding the proper weights for connections and biases. The performance of FFNNs is mainly dependent on the success of the learning process. Gradient descent-based methods such as back-propagation (BP) are among the most widely employed learning algorithms, whereas they are susceptible to be trapped in local optima. Population-based metaheuristic algorithms such as differential evolution (DE) are a reliable alternative to tackle complex problems. In this paper, we propose a quasi-opposition-based differential evolution approach for FFNN learning to improve the performance of FFNNs (QODE-FFNN). Our proposed algorithm benefits from a variant of opposition-based learning (OBL) to enhance the performance of FFNN. Based on OBL concept, the opposite of a candidate solution is generated. Afterward, OBL selects the best between a candidate solution and its opposite based on their objective function values. In this paper, we employed a variant of OBL to improve the performance of FFNN, called quasi-OBL, which generates a random point between the center of search space and its opposite. Also, in our proposed algorithm, connection weights and biases are encoded as a candidate solution, while the objective function is based on a classification error. Experimental results confirm the performance of QODE-FFNN compared to other recent approaches.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».