Entrenamiento Comprimido Basado en Máquinas de Aprendizaje Extremo

Resumen: En este documento se presenta el diseño y prueba de un nuevo modelo de entrenamiento para redes neuronales no realimentadas de una sola capa oculta basado en las propiedades de la Máquina de Aprendizaje Extremo o ELM. El modelo actúa comprimiendo la información proveniente de la capa oculta...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Castro,Fausto M., Jojoa,Pablo E.
Lenguaje:Spanish / Castilian
Publicado: Centro de Información Tecnológica 2019
Materias:
ELM
Acceso en línea:http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642019000400227
Etiquetas: Agregar Etiqueta
Sin Etiquetas, Sea el primero en etiquetar este registro!
id oai:scielo:S0718-07642019000400227
record_format dspace
spelling oai:scielo:S0718-076420190004002272019-09-03Entrenamiento Comprimido Basado en Máquinas de Aprendizaje ExtremoCastro,Fausto M.Jojoa,Pablo E. ELM redes neuronales entrenamiento automático técnicas de clasificación aprendizaje supervisado Resumen: En este documento se presenta el diseño y prueba de un nuevo modelo de entrenamiento para redes neuronales no realimentadas de una sola capa oculta basado en las propiedades de la Máquina de Aprendizaje Extremo o ELM. El modelo actúa comprimiendo la información proveniente de la capa oculta por medio de un subconjunto de nodos de la misma capa, esto permite disminuir considerablemente la complejidad computacional en comparación con ELM. Resultados experimentales basados en simulación para diferentes problemas de clasificación indican que el modelo propuesto permite reducir considerablemente los tiempos de entrenamiento en comparación con ELM, alcanzando a la vez rendimientos similares en términos de generalización.info:eu-repo/semantics/openAccessCentro de Información TecnológicaInformación tecnológica v.30 n.4 20192019-08-01text/htmlhttp://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642019000400227es10.4067/S0718-07642019000400227
institution Scielo Chile
collection Scielo Chile
language Spanish / Castilian
topic ELM
redes neuronales
entrenamiento automático
técnicas de clasificación
aprendizaje supervisado
spellingShingle ELM
redes neuronales
entrenamiento automático
técnicas de clasificación
aprendizaje supervisado
Castro,Fausto M.
Jojoa,Pablo E.
Entrenamiento Comprimido Basado en Máquinas de Aprendizaje Extremo
description Resumen: En este documento se presenta el diseño y prueba de un nuevo modelo de entrenamiento para redes neuronales no realimentadas de una sola capa oculta basado en las propiedades de la Máquina de Aprendizaje Extremo o ELM. El modelo actúa comprimiendo la información proveniente de la capa oculta por medio de un subconjunto de nodos de la misma capa, esto permite disminuir considerablemente la complejidad computacional en comparación con ELM. Resultados experimentales basados en simulación para diferentes problemas de clasificación indican que el modelo propuesto permite reducir considerablemente los tiempos de entrenamiento en comparación con ELM, alcanzando a la vez rendimientos similares en términos de generalización.
author Castro,Fausto M.
Jojoa,Pablo E.
author_facet Castro,Fausto M.
Jojoa,Pablo E.
author_sort Castro,Fausto M.
title Entrenamiento Comprimido Basado en Máquinas de Aprendizaje Extremo
title_short Entrenamiento Comprimido Basado en Máquinas de Aprendizaje Extremo
title_full Entrenamiento Comprimido Basado en Máquinas de Aprendizaje Extremo
title_fullStr Entrenamiento Comprimido Basado en Máquinas de Aprendizaje Extremo
title_full_unstemmed Entrenamiento Comprimido Basado en Máquinas de Aprendizaje Extremo
title_sort entrenamiento comprimido basado en máquinas de aprendizaje extremo
publisher Centro de Información Tecnológica
publishDate 2019
url http://www.scielo.cl/scielo.php?script=sci_arttext&pid=S0718-07642019000400227
work_keys_str_mv AT castrofaustom entrenamientocomprimidobasadoenmaquinasdeaprendizajeextremo
AT jojoapabloe entrenamientocomprimidobasadoenmaquinasdeaprendizajeextremo
_version_ 1714201621075853312