Evolution Strategies for Deep Neural Network Models Design

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985807%3A_____%2F17%3A00478624" target="_blank" >RIV/67985807:_____/17:00478624 - isvavai.cz</a>

Výsledek na webu

<a href="http://ceur-ws.org/Vol-1885/159.pdf" target="_blank" >http://ceur-ws.org/Vol-1885/159.pdf</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Evolution Strategies for Deep Neural Network Models Design

Popis výsledku v původním jazyce

Deep neural networks have become the state-of art methods in many fields of machine learning recently. Still, there is no easy way how to choose a network architecture which can significantly influence the network performance. This work is a step towards an automatic architecture design. We propose an algorithm for an optimization of a network architecture based on evolution strategies. The algorithm is inspired by and designed directly for the Keras library [3] which is one of the most common implementations of deep neural networks. The proposed algorithm is tested on MNIST data set and the prediction of air pollution based on sensor measurements, and it is compared to several fixed architectures and support vector regression.

Název v anglickém jazyce

Evolution Strategies for Deep Neural Network Models Design

Popis výsledku anglicky

Deep neural networks have become the state-of art methods in many fields of machine learning recently. Still, there is no easy way how to choose a network architecture which can significantly influence the network performance. This work is a step towards an automatic architecture design. We propose an algorithm for an optimization of a network architecture based on evolution strategies. The algorithm is inspired by and designed directly for the Keras library [3] which is one of the most common implementations of deep neural networks. The proposed algorithm is tested on MNIST data set and the prediction of air pollution based on sensor measurements, and it is compared to several fixed architectures and support vector regression.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

<a href="/cs/project/GA15-18108S" target="_blank" >GA15-18108S: Modelová složitost neuronových, radiálních a jádrových sítí</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2017

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings ITAT 2017: Information Technologies - Applications and Theory

ISBN

978-1974274741

ISSN

1613-0073

e-ISSN

—

Počet stran výsledku

8

Strana od-do

159-166

Název nakladatele

Technical University & CreateSpace Independent Publishing Platform

Místo vydání

Aachen & Charleston

Místo konání akce

Martinské hole

Datum konání akce

22. 9. 2017

Typ akce podle státní příslušnosti

EUR - Evropská akce

Kód UT WoS článku

—