Resumen

Las redes de próxima generación están diseñadas para ser impulsadas por datos, pero enfrentan incertidumbre debido a diversos patrones cambiantes de grupos de usuarios y a la naturaleza híbrida de las infraestructuras que ejecutan estos sistemas. Mientras tanto, la cantidad de datos recopilados en el sistema informático está aumentando. Cómo clasificar y procesar los enormes datos para reducir la cantidad de transmisión de datos en la red es un problema muy valioso. Investigaciones recientes utilizan el aprendizaje profundo para proponer soluciones a estos y otros problemas relacionados. Sin embargo, el aprendizaje profundo enfrenta problemas como el sobreajuste que pueden socavar la efectividad de sus aplicaciones para resolver diferentes problemas de red. Este artículo considera el problema de sobreajuste de los modelos de redes neuronales convolucionales (CNN) en aplicaciones prácticas. Se propone un algoritmo de eliminación y atenuación de pesos de agrupamiento máximo para evitar el sobreajuste. Primero, se diseña la eliminación del agrupamiento máximo en la capa de agrupamiento del modelo para dispersar las

• Materias:Comunicación inalámbrica Dispositivos móviles Seguridad de la información Algoritmo de inteligencia Sensor inteligente
• Subjects:Wireless communication Mobile devices Information security Algorithm intelligence Intelligent sensor
• Palabras claves:Basado en datos; Redes; Aprendizaje profundo; Sobreajuste; Red neuronal convolucional; Max pooling
• Keywords:Data-driven; Networks; Deep learning; Overfitting; Convolutional neural network; Maximum pooling