Busca avançada
Ano de início
Entree

Redes weight agnostic compositional pattern producing e sua análise para aprendizado de representações

Processo: 19/19030-3
Linha de fomento:Bolsas no Exterior - Estágio de Pesquisa - Iniciação Científica
Vigência (Início): 01 de dezembro de 2019
Vigência (Término): 29 de fevereiro de 2020
Área do conhecimento:Ciências Exatas e da Terra - Ciência da Computação - Metodologia e Técnicas da Computação
Pesquisador responsável:Moacir Antonelli Ponti
Beneficiário:João Guilherme Madeira Araújo
Supervisor no Exterior: Claus de Castro Aranha
Instituição-sede: Instituto de Ciências Matemáticas e de Computação (ICMC). Universidade de São Paulo (USP). São Carlos , SP, Brasil
Local de pesquisa: University of Tsukuba, Japão  
Vinculado à bolsa:18/22191-6 - Aprendendo conceitos a partir da fusão de representações de domínios visuais distintos com aprendizado profundo, BP.IC
Assunto(s):Aprendizado computacional   Aprendizagem profunda   Redes neurais (computação)

Resumo

As redes neurais são ferramentas relevantes para aprender representações para diferentes tarefas. Nesse contexto, as redes de produção de padrões de composição (CPPNs) são abstrações semelhantes às redes neurais artificiais que podem ser treinadas usando métodos semelhantes para codificar padrões complexos naturais. O método canônico usado para evoluir essas redes é a evolução neural de topologias aumentadas (NEAT), mas recentemente foi desenvolvido um novo método baseado na computação de reservatórios, conhecido como busca de redes neurais agnósticas a peso (WANNS). Este projeto tem como objetivo estudar a aplicação de WANNS à evolução da topologia de CPPNs, analisando as características dos padrões gerados, em particular imagens e robôs flexíveis. Acreditamos que isso pode ter impacto no design de redes generativas e na qualidade das representações. (AU)

Matéria(s) publicada(s) na Agência FAPESP sobre a bolsa:
Matéria(s) publicada(s) em Outras Mídias (0 total):
Mais itensMenos itens
VEICULO: TITULO (DATA)
VEICULO: TITULO (DATA)