Evolution Strategies for Deep Neural Network Models Design
Identifikátory výsledku
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
—
Alternativní jazyky
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.
Klasifikace
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)
Návaznosti výsledku
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)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
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
—