Multi-Column RBF Neural Network Using Adaptive and Non-Adaptive Particle Swarm Optimization

경사 하강 알고리즘으로 학습된 방사형 기저 함수 신경망(RBFN)은 얕은 망과 깊은 망 모두에서 효과적인 완전 연결 구조를 제공한다.

방사형 기저 함수 신경망은 정확도가 높지만 큰 데이터에서는 커널 계산과 은닉층 크기가 빠르게 늘어난다. MC-PSO와 MC-APSO는 데이터를 공간별 작은 부분으로 나누고 각 부분에 특화된 작은 신경망을 입자 군집 최적화 또는 적응형 입자 군집 최적화로 따로 학습한다. 시험할 때는 입력의 이웃이 들어 있는 부분의 신경망만 골라 출력을 합치므로 계산을 줄이면서 지역 특화를 활용한다. 여러 벤치마크에서 두 방법은 ErrCor, 기본 PSO와 APSO, 기존 다중 열 RBFN보다 정확도와 재현율이 높았다. 대부분의 실험에서 학습과 시험 시간도 더 짧아, 큰 자료에서 진화 탐색 기반 RBF 신경망을 병렬화하는 실용적 방향을 보였다.

핵심 요약

• 최첨단 경사 기반 학습 방법인 오류 보정(ErrCor)은 정확도를 높이기 위해 최적의 은닉 유닛을 선택한다.
• ErrCor과 PSO 모두 향상된 결과와 경쟁력 있는 수렴을 입증한다.
• MCRN의 성공에 영감을 받아, 저자들은 PSO 성능을 개선하기 위한 두 가지 새로운 접근법을 제안한다. 즉, PSO를 적용한 다중 열 RBFN(MC-PSO)과 APSO를 적용한 다중 열 RBFN(MC-APSO)이다.

논문 링크

외부 연구를 정리한 자료입니다. HDATF가 발표한 논문이나 제품 성능을 측정한 결과는 아닙니다.