Dissertação

Multiresolution Backpropagation Learning EVALUATED

Treinar dados com elevada dimensão requere a minimização de superfícies de erro complicadas. Propomos uma abordagem multiresolução com treino incremental baseado em retro propagação para melhorar a generalização. A pirâmide Gaussiana, gerada a partir de um padrão inicial de imagens, é a entrada para redes neuronais de alimentação direta que aprendem desde reduzida até elevada resolução. Após a inicialização do treino, os valores precedentes inicializam a rede neuronal seguinte. Aplicámos este método ao conjunto de dados MNIST para reconhecimento de padrões. A Aprendizagem Retro propagada Multiresolução generalizou melhor do que um treino baseado em simples retro propagação, com convergência mais rápida. Verificámos empiricamente que podemos chegar próximo de um mínimo global, evitando mínimos locais.
Multiresolução, Redes neuronais, Generalização, Mínimos locais, Aprendizagem profunda

Junho 8, 2018, 9:0

Documentos da dissertação ainda não disponíveis publicamente

Orientação

ORIENTADOR

Andreas Miroslaus Wichert

Departamento de Engenharia Informática (DEI)

Professor Auxiliar