Fine Tuning Deep Boltzmann Machines Through Meta-Heuristic Approaches

Autor(es)

Passos, Leandro A. ; Rodrigues, Douglas R. ; Papa, Joao P. ; IEEE

• Tipo de documento: Artigo Científico
• Fonte: 2018 IEEE 12TH INTERNATIONAL SYMPOSIUM ON APPLIED COMPUTATIONAL INTELLIGENCE AND INFORMATICS (SACI); v. N/A, p. 6-pg., 2018-01-01.

Resumo

The Deep learning framework has been widely used in different applications from medicine to engineering. However, there is a lack of works that manage to deal with the issue of hyperparameter fine-tuning, since machine learning techniques often require a considerable human effort in this task. In this paper, we propose to fine-tune Deep Boltzmann Machines using meta-heuristic techniques, which do not require the computation of the gradient of the fitness function, that may be insurmountable in high-dimensional optimization spaces. We demonstrate the validity of the proposed approach against Deep Belief Networks concerning binary image reconstruction. (AU)

• Processo FAPESP: 14/12236-1 - AnImaLS: Anotação de Imagem em Larga Escala: o que máquinas e especialistas podem aprender interagindo?
• Beneficiário: Alexandre Xavier Falcão
• Modalidade de apoio: Auxílio à Pesquisa - Temático
• Processo FAPESP: 16/19403-6 - Modelos de aprendizado baseados em energia e suas aplicações
• Beneficiário: João Paulo Papa
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 13/07375-0 - CeMEAI - Centro de Ciências Matemáticas Aplicadas à Indústria
• Beneficiário: Francisco Louzada Neto
• Modalidade de apoio: Auxílio à Pesquisa - Centros de Pesquisa, Inovação e Difusão - CEPIDs