WiMi Hologram Cloud Inc. a annoncé l'adoption d'un algorithme d'intelligence de groupe pour optimiser le réseau neuronal artificiel. Cet algorithme facilite le processus de détermination de la structure du réseau et l'entraînement du réseau neuronal artificiel. L'algorithme d'intelligence de groupe est plus efficace que les algorithmes traditionnels pour trouver les poids de connexion et les biais optimaux pendant la formation. L'algorithme d'intelligence de groupe est un algorithme d'optimisation méta-heuristique inspiré de l'observation des modèles de comportement des groupes d'animaux et d'insectes au fur et à mesure que leur environnement change.

Ces algorithmes utilisent le comportement collectif simple de certains groupes d'organismes biologiques pour générer une intelligence de groupe. Cela permet aux algorithmes d'intelligence de groupe de résoudre des problèmes d'optimisation complexes en utilisant l'interaction entre des groupes d'agents de recherche artificiels et l'environnement. Les algorithmes d'intelligence de groupe peuvent résoudre différents types de problèmes d'optimisation, y compris des problèmes d'optimisation continue, discrète ou multi-objectifs. Ils ont donc un large éventail d'applications dans différents domaines.

WiMi a utilisé un algorithme d'intelligence de groupe pour optimiser les réseaux neuronaux artificiels afin d'améliorer la capacité de généralisation des réseaux neuronaux artificiels en optimisant les poids de connexion, les poids et les biais ou la structure du réseau. Les étapes de l'algorithme sont les suivantes : déterminer la structure et les paramètres du réseau neuronal : Définir et ajuster la structure et les paramètres du réseau neuronal en fonction du problème spécifique, comme le nombre de couches, le nombre de neurones dans chaque couche, l'activation des fonctions, etc. Préparer l'ensemble de données de formation : Sélection d'un ensemble de données de formation approprié pour la formation du réseau neuronal.

Initialiser l'ensemble de données : Génération aléatoire d'un ensemble de solutions potentielles au problème, représentant l'ensemble de données initial. Dans le contexte de l'optimisation des réseaux neuronaux, il peut s'agir de la génération aléatoire d'un ensemble de poids initiaux et de valeurs de biais comme solutions initiales du réseau neuronal. Calculez l'aptitude : Une fonction d'aptitude est définie en fonction de la nature du problème et sert à évaluer la qualité de chaque solution.

Dans le contexte de l'optimisation des réseaux neuronaux, il peut s'agir de calculer l'erreur entre la sortie du réseau et l'étiquette réelle en tant qu'aptitude. Recherche : Mise à jour de chaque solution de la population selon une certaine règle de mise à jour (par exemple, une règle de mise à jour basée sur la modélisation de l'étape de mouvement des organismes en essaim, comme PSO, AFSA et SFLA) ou un ensemble de règles de mise à jour selon un certain mécanisme algorithmique (par exemple, ACO). L'aptitude et les facteurs stochastiques de chaque solution sont pris en compte dans la mise à jour afin d'améliorer l'efficacité de la recherche : S'assurer que le processus satisfait à certaines conditions de terminaison, telles que l'atteinte d'un nombre maximum de fois ou la découverte d'une solution satisfaisante.

Test et évaluation : Test et évaluation du réseau neuronal optimisé à l'aide d'un ensemble de données de test pour vérifier ses performances et sa capacité de généralisation. L'algorithme d'optimisation de l'intelligence de groupe est une méthode de recherche stochastique probabiliste, de sorte que le résultat de l'optimisation obtenu n'est pas nécessairement la solution optimale, mais généralement une meilleure solution. En outre, WiMi intégrera d'autres techniques telles que la sélection des caractéristiques et le prétraitement des données afin d'améliorer encore les performances et la généralisation du réseau neuronal.