Aprendizaje de correlación negativa y diseño evolutivo de ensamblajes de redes neuronales

Muchos problemas del mundo real son demasiado grandes y complejos para que un solo sistema monolítico los resuelva por sí solo. En lugar de utilizar una sola red neuronal para resolver una tarea, los ensamblajes de redes neuronales combinan un conjunto de redes neuronales que aprenden a subdividir la tarea y, por lo tanto, la resuelven de manera más eficiente y elegante. Dadas las ventajas de los ensamblajes de redes neuronales y la complejidad de los problemas que están comenzando a ser investigados, está claro que el método de ensamblaje de redes neuronales es y será una técnica de resolución de problemas importante y omnipresente. Sin embargo, diseñar ensamblajes de redes neuronales es una tarea muy difícil. Depende en gran medida de expertos humanos y del conocimiento previo sobre el problema. Esta disertación tiene como objetivo desarrollar ensamblajes evolutivos con aprendizaje de correlación negativa (EENCL) para diseñar automáticamente ensamblajes de redes neuronales. Esta disertación presenta primero el aprendizaje de correlación negativa para el aprendizaje de ensamblajes de redes neuronales. El aprendizaje de correlación negativa es diferente de trabajos anteriores sobre el aprendizaje de ensamblajes de redes neuronales. Enfatiza la interacción y cooperación entre las redes individuales en los ensamblajes de redes neuronales, y utiliza un término de penalización no supervisado en la función de error para producir redes negativamente correlacionadas. Esta disertación analiza extensamente el aprendizaje de correlación negativa en términos de la compensación entre sesgo-varianza-covarianza en la condición libre de ruido y la condición ruidosa en una tarea de regresión. El aprendizaje de correlación negativa también se ha estudiado en un problema de clasificación en términos de los conjuntos de respuestas correctas y sus intersecciones. Se utilizan dos problemas de predicción de series temporales, es decir, la ecuación diferencial de Mackey-Glass y la predicción de clorofila-a en el Lago Kasumigaura, como ejemplos para demostrar la efectividad del aprendizaje de correlación negativa. Basado en el aprendizaje de correlación negativa y el aprendizaje evolutivo, se han desarrollado EENCL para diseñar ensamblajes de redes neuronales. Se han abordado dos cuestiones principales: la determinación automática del número de redes neuronales individuales en un ensamblaje y la explotación de la interacción entre el diseño de redes neuronales individuales y la combinación. En EENCL, se ha utilizado un algoritmo evolutivo basado en programación evolutiva para buscar una población de redes neuronales individuales diversas que juntas resuelvan un problema. Para mantener una población diversa, se ha utilizado el compartimiento de aptitud y el aprendizaje de correlación negativa para fomentar la formación de diferentes especies. Se ha realizado una evaluación empírica de EENCL en dos problemas de referencia, incluyendo el problema de evaluación de tarjetas de crédito australianas y el problema de diabetes. EENCL ha producido resultados muy competitivos en comparación con otros algoritmos.