| Texto completo | |
| Autor(es): |
Passos, Leandro Aparecido
;
Papa, Joao Paulo
Número total de Autores: 2
|
| Tipo de documento: | Artigo Científico |
| Fonte: | APPLIED SOFT COMPUTING; v. 97, p. 12-pg., 2020-12-01. |
| Resumo | |
Deep learning techniques, such as Deep Boltzmann Machines (DBMs), have received considerable attention over the past years due to the outstanding results concerning a variable range of domains. One of the main shortcomings of these techniques involves the choice of their hyperparameters, since they have a significant impact on the final results. This work addresses the issue of fine-tuning hyperparameters of Deep Boltzmann Machines using metaheuristic optimization techniques with different backgrounds, such as swarm intelligence, memoryand evolutionary-based approaches. Experiments conducted in three public datasets for binary image reconstruction showed that metaheuristic techniques can obtain reasonable results. (C) 2019 Elsevier B.V. All rights reserved. (AU) | |
| 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 |
| 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: | 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 |