WiMi Hologram Cloud Inc. gab bekannt, dass es einen Gruppenintelligenz-Algorithmus zur Optimierung des künstlichen neuronalen Netzes einsetzt. Dieser Algorithmus erleichtert den Prozess der Bestimmung der Netzwerkstruktur und das Training des künstlichen neuronalen Netzwerks. Der Gruppenintelligenz-Algorithmus ist im Vergleich zu traditionellen Algorithmen besser in der Lage, die optimalen Verbindungsgewichte und Verzerrungen während des Trainings zu finden. Der Gruppenintelligenz-Algorithmus ist ein meta-heuristischer Optimierungsalgorithmus, der durch die Beobachtung der Verhaltensmuster von Tier- und Insektengruppen bei Veränderungen ihrer Umgebung inspiriert wurde.

Diese Algorithmen nutzen das einfache kollektive Verhalten bestimmter Gruppen von biologischen Organismen, um Gruppenintelligenz zu erzeugen. So können Gruppenintelligenz-Algorithmen komplexe Optimierungsprobleme durch die Interaktion zwischen Gruppen von künstlichen Suchagenten und der Umwelt lösen. Algorithmen der Gruppenintelligenz können verschiedene Arten von Optimierungsproblemen lösen, darunter kontinuierliche, diskrete oder multikriterielle Optimierungsprobleme. Daher haben sie eine breite Palette von Anwendungen in verschiedenen Bereichen.

WiMi verwendet einen Gruppenintelligenz-Algorithmus zur Optimierung künstlicher neuronaler Netze, um die Generalisierungsfähigkeit künstlicher neuronaler Netze durch die Optimierung der Verbindungsgewichte, der Gewichte und der Verzerrungen oder der Netzwerkstruktur zu verbessern. Im Folgenden sind die Schritte des Algorithmus aufgeführt: Bestimmen Sie die Struktur und die Parameter des neuronalen Netzwerks: Festlegen und Anpassen der Struktur und der Parameter des neuronalen Netzwerks entsprechend dem spezifischen Problem, wie z.B. die Anzahl der Schichten, die Anzahl der Neuronen in jeder Schicht, die Aktivierung von Funktionen usw. Bereiten Sie den Trainingsdatensatz vor: Auswählen eines geeigneten Trainingsdatensatzes für das Training des neuronalen Netzwerks.

Datensatz initialisieren: Zufällige Generierung einer Reihe von Lösungen als potenzielle Lösungen für das Problem, die den Ausgangsdatensatz darstellen. Im Zusammenhang mit der Optimierung von neuronalen Netzwerken kann dies die zufällige Generierung einer Reihe von Anfangsgewichten und Bias-Werten als Anfangslösungen für das neuronale Netzwerk beinhalten. Berechnen Sie die Fitness: Auf der Grundlage der Art des Problems wird eine Fitnessfunktion definiert, mit der die Qualität jeder Lösung bewertet wird.

Im Zusammenhang mit der Optimierung von neuronalen Netzwerken kann dies die Berechnung des Fehlers zwischen der Ausgabe des Netzwerks und der tatsächlichen Bezeichnung als Fitnessfunktion beinhalten. Suche: Aktualisierung jeder Lösung in der Population gemäß einer bestimmten Aktualisierungsregel (z.B. einer Aktualisierungsregel, die auf der Modellierung des Bewegungsschritts von Schwarmorganismen basiert, wie PSO, AFSA & SFLA) oder einer Aktualisierungsregel, die gemäß einem algorithmischen Mechanismus festgelegt wurde (z.B. ACO). Die Fitness und die stochastischen Faktoren jeder Lösung werden bei der Aktualisierung berücksichtigt, um die Effizienz der Suche zu verbessern: Sicherstellen, dass der Prozess bestimmte Abbruchbedingungen erfüllt, wie z.B. das Erreichen einer maximalen Anzahl von Durchläufen oder das Finden einer zufriedenstellenden Lösung.

Testen und Bewerten: Testen und Evaluieren des optimierten neuronalen Netzwerks anhand eines Testdatensatzes, um seine Leistung und Generalisierungsfähigkeit zu überprüfen. Der Optimierungsalgorithmus der Gruppenintelligenz ist eine probabilistische stochastische Suchmethode, so dass das erzielte Optimierungsergebnis nicht unbedingt die optimale Lösung ist, sondern in der Regel eine bessere Lösung. Darüber hinaus wird WiMi weitere Techniken wie die Auswahl von Merkmalen und die Vorverarbeitung von Daten einbeziehen, um die Leistung und Generalisierung des neuronalen Netzwerks weiter zu verbessern.