Resumen

El Método de Descubrimiento en Espiral (MDE) fue originalmente propuesto como un artefacto cognitivo para lidiar con modelos de caja negra que dependen de múltiples entradas con efectos de interacción no lineales y/o multiplicativos. Además de ayudar directamente a identificar patrones funcionales en tales sistemas, el MDE también simplifica su control a través de su estructura en espiral característica. En este artículo, se propone una formulación basada en redes neuronales del MDE junto con un conjunto de reglas de actualización automática que lo hacen adecuado tanto para formas semiautomatizadas como automatizadas de optimización. El comportamiento del modelo generalizado del MDE, denominado Red de Descubrimiento en Espiral (RDE), y su aplicabilidad a problemas de optimización no diferenciables no convexos se elucidan a través de simulación. Basándose en la simulación, se argumenta que su aplicabilidad valdría la pena investigar en todas las áreas donde hoy se utiliza el enfoque predeterminado de retropropagación basada en gradientes.

• Materias:Big Data Restricciones distribuidas Algoritmo de inferencia Gestión administrativa
• Subjects:Big Data Distributed constraints Inference algorithm Administrative management
• Palabras claves:Método de descubrimiento en espiral; Artefacto cognitivo; Modelos de caja negra; Red neuronal; Problemas de optimización; Retropropagación basada en gradientes
• Keywords:Spiral discovery method; Cognitive artifact; Black-box models; Neural network; Optimization problems; Gradient-based backpropagation