2020年02月06日に発表されたニューラルネットワーク分野の論文5本のAbstractをまとめて和訳しました。
この記事の見出し
- 1 $ε$-shotgun: $ε$-greedy Batch Bayesian Optimisation
- 2 Convergence analysis of particle swarm optimization using stochastic Lyapunov functions and quantifier elimination
- 3 Multi-Objective Optimization for Size and Resilience of Spiking Neural Networks
- 4 Neural Oscillations for Encoding and Decoding Declarative Memory using EEG Signals
- 5 The Node Weight Dependent Traveling Salesperson Problem: Approximation Algorithms and Randomized Search Heuristics
$ε$-shotgun: $ε$-greedy Batch Bayesian Optimisation
$ε$ -shotgun：$ε$ -greedy Batch Bayesian Optimization
URL：http://arxiv.org/abs/2002.01873v1
この論文の概要（機械翻訳による和訳）
ベイジアン最適化は、高価なブラックボックス関数を最適化するための一般的な代理モデルベースのアプローチです。代理モデルが与えられた場合、安価にクエリを取得する関数を最大化することで、費用のかかる評価を行う次の場所が選択されます。ブラックボックス関数を複数回並行して評価できるバッチ設定でのベイズ最適化のための$ epsilon $ -greedy手順を示します。私たちの$ epsilon $ -shotgunアルゴリズムは、モデルの予測、不確実性、および景観の変化率の概算を活用して、推定位置に分散するバッチソリューションの広がりを決定します。初期ターゲットの場所は、平均予測で搾取的な方法で、または-確率$ epsilon $-で設計空間の他の場所から選択されます。これにより、関数が急速に変化している領域でより高密度にサンプリングされた場所と、インロケーションが良好であると予測された（つまり、予測された最適値に近い）位置になり、関数がより平坦であるか、品質が低い領域でより多くの散乱サンプルが発生します。一連の合成関数と2つの実世界の問題で$ epsilon $ -shotgunメソッドを経験的に評価し、それらが少なくとも最新のバッチメソッドと同様に実行され、多くの場合それらのパフォーマンスを上回ることを発見しました。
Convergence analysis of particle swarm optimization using stochastic Lyapunov functions and quantifier elimination
確率的リアプノフ関数と数量詞消去を使用した粒子群最適化の収束解析
URL：http://arxiv.org/abs/2002.01673v1
この論文の概要（機械翻訳による和訳）
この論文は、確率的リアプノフ関数を採用し、数量詞消去により収束集合を決定することを提案することにより、粒子群安定性の理論的側面に関する議論に追加します。計算手順を提示し、このアプローチが、リアプノフアプローチの低迷の仮定を使用して、PSOの既知の安定領域の再評価と拡張につながることを示します。
Multi-Objective Optimization for Size and Resilience of Spiking Neural Networks
スパイキングニューラルネットワークのサイズと復元力の多目的最適化
URL：http://arxiv.org/abs/2002.01406v1
この論文の概要（機械翻訳による和訳）
脳内の接続メカニズムに触発されたニューロモーフィックコンピューティングアーキテクチャは、シリコンのスパイキングニューラルネットワーク（SNN）をモデル化します。そのため、ニューロモーフィックアーキテクチャは、制御および機械学習タスクを実行できる小型で低電力のチップを搭載することを目標に設計および開発されていますが、開発されたハードウェアの消費電力は、チップ。さらに、ネットワーク上で学習した重みを乱すハードウェアの電圧と電流の変動により、チップ上で評価されるトレーニング済みSNNの精度が変化する可能性があります。これらの摂動を最小限に抑えるためにハードウェア側で努力が行われていますが、展開されたネットワークの復元力を高めるソフトウェアベースの戦略は、その問題をさらに軽減するのに役立ちます。この作業では、サイズを小さくすると同時にハードウェア障害に対する回復力を高めることを目的として、2つのニューロモーフィックアーキテクチャ実装でSpikingNeural Networksを研究します。進化アルゴリズムを活用してSNNをトレーニングし、多目的フィットネス関数を提案して、SNNのサイズと復元力を最適化します。この戦略により、ハードウェア障害に対する回復力の高い、高性能で小規模なネットワークが実現することを実証します。
Neural Oscillations for Encoding and Decoding Declarative Memory using EEG Signals
EEG信号を使用した宣言型メモリのエンコードおよびデコードの神経振動
URL：http://arxiv.org/abs/2002.01126v1
この論文の概要（機械翻訳による和訳）
宣言的記憶は、日々の人生経験を記憶することとの関係で研究されてきました。以前の研究では、行動のパフォーマンスに関連するエンコードフェーズ中のパワースペクトルの変化が報告されましたが、デコードフェーズはまだ検討する必要があります。この研究では、記憶プロセスに関連する神経振動の変化を調査しています。参加者は、脳波信号が記録されている間、符号化および復号化フェーズの記憶タスクを実行するように求められました。結果は、符号化段階では、前頭中央領域で低ベータ、高ベータバンドのパワーが大幅に減少し、その後の記憶効果の成功に関連して、左側頭領域で低ベータ、高ベータ、ガンマバンドが減少したことを示しました。復号化フェーズでは、前線中央領域でアルファ出力の有意な減少のみが観察されました。この発見は、それぞれ記憶課題の符号化および復号化フェーズに対するベータおよびアルファ帯域の関連性を示しました。
The Node Weight Dependent Traveling Salesperson Problem: Approximation Algorithms and Randomized Search Heuristics
ノードの重みに依存する巡回セールスマン問題：近似アルゴリズムとランダム化された検索ヒューリスティック
URL：http://arxiv.org/abs/2002.01070v1
この論文の概要（機械翻訳による和訳）
車両ルーティングの分野におけるいくつかの重要な最適化問題は、古典的な巡回セールスマン問題（TSP）の変形として見ることができます。進化的計算の分野では、過去5年間で巡回泥棒問題（TTP）の関心が高まっています。この論文では、旅行中にすでに訪れたノードの重みに対して移動コストが増加するという意味で、このような問題に対する重みの影響を調査します。バリアント、および体重依存によって引き起こされる難易度の増加を正確に研究することができます。この重量依存バージョンのTSPには、距離と境界のある正の重みを持つ3.59近似を提供します。さらに、古典的な突然変異演算子と加重TSPに適応した最新の進化アルゴリズムEAXの2つのバリアントを使用して、単純なランダム化ローカル検索の実験的調査を実施します。結果は、結果のツアーのノードの位置に対するノードの重みの影響を示しています。
