Reliable and Fast Recurrent Neural Network Architecture Optimization

Camero, Andrés und Toutouh, Jamal und Alba, Enrique (2021) Reliable and Fast Recurrent Neural Network Architecture Optimization. In: Proceedings of the XIX Conference of the Spanish Association for Artificial Intelligence, Seiten 219-220. XIX Conference of the Spanish Association for Artificial Intelligence, 22.-24. Sep. 2021, Malaga, Spain. ISBN 978-84-09-30514-8.

PDF
181kB

Offizielle URL: https://caepia20-21.uma.es/proceedings.html

Kurzfassung

This article introduces Random Error Sampling-based Neuroevolution (RESN), a novel automatic method to optimize recurrent neural network architectures. RESN combines an evolutionary algorithm with a training-free evaluation approach. The results show that RESN achieves state-of-the-art error performance while reducing by half the computational time.

elib-URL des Eintrags:

https://elib.dlr.de/188382/

Dokumentart:

Konferenzbeitrag (Vortrag)

Titel:

Reliable and Fast Recurrent Neural Network Architecture Optimization

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Camero, Andrés	andres.camerounzueta (at) dlr.de	https://orcid.org/0000-0002-8152-9381	NICHT SPEZIFIZIERT
Toutouh, Jamal	toutouh (at) mit.edu	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT
Alba, Enrique	eat (at) lcc.uma.es	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT

Datum:

22 September 2021

Erschienen in:

Proceedings of the XIX Conference of the Spanish Association for Artificial Intelligence

Referierte Publikation:

Nein

Open Access:

Gold Open Access:

Nein

In SCOPUS:

Nein

In ISI Web of Science:

Nein

Seitenbereich:

Seiten 219-220

ISBN:

978-84-09-30514-8

Status:

veröffentlicht

Stichwörter:

neuroevolution, evolutionary algorithms, metaheuristics, recurrent neural networks

Veranstaltungstitel:

XIX Conference of the Spanish Association for Artificial Intelligence

Veranstaltungsort:

Malaga, Spain

Veranstaltungsart:

internationale Konferenz

Veranstaltungsdatum:

22.-24. Sep. 2021

HGF - Forschungsbereich:

Luftfahrt, Raumfahrt und Verkehr

HGF - Programm:

Raumfahrt

HGF - Programmthema:

Erdbeobachtung

DLR - Schwerpunkt:

Raumfahrt

DLR - Forschungsgebiet:

R EO - Erdbeobachtung

DLR - Teilgebiet (Projekt, Vorhaben):

R - Künstliche Intelligenz

Standort:

Oberpfaffenhofen

Institute & Einrichtungen:

Institut für Methodik der Fernerkundung > EO Data Science

Hinterlegt von:

Camero, Dr Andres

Hinterlegt am:

27 Sep 2022 13:32

Letzte Änderung:

29 Sep 2022 15:15

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags