12171

بررسي كاربرد يادگيري تقويتي در بهبود معماري هاي شبكه هاي عصبي همگشتي

1400

دكتر ناصر مزيني

استفاده از مدل‌هاي يادگيري عميق به صورت گسترده‌اي در زمينه‌هاي مختلفي در جريان است. با اين حال، ساخت يك سيستم يادگيري عميق با كيفيت بالا براي يك كار خاص، به شدت به تخصص انساني متكي است و مانع از كاربرد گسترده آن مي‌شود. مسئله‌ي نام برده منجر به اهميت پيدا كردن طراحي روش‌ها و رويكرد‌هايي شده است كه هدف آن‌ها جستجوي خودكار شبكه‌هاي عصبي بدون كمك انسان شده است. اولين تلاش‌ها براي اين امر كه مبتني بر الگوريتم‌هاي تكاملي و يادگيري تقويتي بودند، علاوه بر زمانبر بودن به توان محاسباتي بسيار بالا نيز نياز داشتند. پيشرفت‌ها در سه مرحله‌ي اصلي جستجوي معماري‌هاي شبكه‌هاي عصبي يعني تعيين فضاي جستجو، تعيين الگوريتم جستجو و تعيين روش‌هاي ارزيابي عملكرد شبكه‌هاي انتخاب‌شده و در نهايت به معماري‌هاي طراحي شده توسط روش‌هاي جستجوي خودكار شبكه‌هاي عصبي توان رقابت با نسخه‌هاي دست‌ساز را داده است. در اين سمينار برآنيم تا رويكردهاي پيشتاز جستجوي خودكار معماري‌هاي شبكههاي عصبي مبتني بر الگوريتم‌هاي يادگيري تقويتي را مطالعه كرده و علاوه بر آن، ساير رويكردهايي كه در سال‌هاي‌ گذشته عملكردي به مراتب بهتر از روش‌هاي مبتني بر يادگيري تقويتي داشته‌اند را نيز مورد مطالعه و بررسي قرار دهيم. همچنين، از خلال اين بررسي‌ها ايده‌هايي به جهت رفع كاستي‌هاي موجود در جستجوي خودكار شبكه‌هاي عصبي با حفظ بهينگي معماري‌هاي كانديد داده شده‌ است.

5/10/2023 12:00:00 AM

79261

1402/04/20

Application of Reinforcement Learning in Improving the Architectures of cnn

يادگيري ماشين خودكار , يادگيري عميق خودكار , جستجوي معماري عصبي , فضاي جستجو , يادگيري تقويتي , الگوريتم تكاملي

Automated machine learning , Automated Deep Learning , neural architecture search , Search space , Reinforcement learning , evolutionary algorithm