Resumen

Los modelos de aprendizaje profundo, como las redes neuronales convolucionales profundas y el modelo de memoria profunda a corto plazo, han logrado grandes éxitos en muchas aplicaciones de clasificación de patrones frente a los modelos de aprendizaje automático en la sombra con características elaboradas a mano. La razón principal es la capacidad de los modelos de aprendizaje profundo para extraer automáticamente características jerárquicas de datos masivos mediante múltiples capas de neuronas. Sin embargo, en muchas otras situaciones, los modelos de aprendizaje profundo existentes todavía no pueden obtener resultados satisfactorios debido a la limitación de las entradas de los modelos. Los modelos de aprendizaje profundo existentes solo toman las instancias de datos de un punto de entrada, pero ignoran por completo los otros puntos de datos del conjunto de datos, que potencialmente proporcionan una visión crítica para la clasificación de la entrada dada. Para superar esta carencia, en este trabajo mostramos que los puntos de datos vecinos, además del propio punto de datos de entrada, pueden mejorar significativamente el rendimiento del modelo de aprendizaje profundo y diseñamos un nuevo modelo de aprendizaje profundo que toma como entradas tanto las instancias de datos de un punto de entrada como las respuestas de clasificación de sus vecinos. Además, desarrollamos un algoritmo iterativo que actualiza los vecinos de los puntos de datos según las representaciones profundas producidas por el modelo de aprendizaje profundo y los parámetros del modelo de aprendizaje profundo alternativamente. El algoritmo propuesto, denominado "Iterative Deep Neighborhood (IDN)", muestra sus ventajas respecto a los modelos de aprendizaje profundo más avanzados en tareas de clasificación de imágenes, análisis de sentimiento de textos, predicción de la tendencia del precio de los inmuebles, etc.

• Materias:Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Neurofisiología
• Subjects:Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Neurophysiology
• Palabras claves:modelo de aprendizaje profundo, punto de entrada, instancia de datos, punto de datos, punto de datos vecino, red neuronal convolucional, aplicación de clasificación de patrones, vecinos de datos, análisis de sentimiento de texto, punto de datos de entrada
• Keywords:deep learning model, input point, data instance, data point, neighboring data point, convolutional neural network, pattern classification application, neighbors of data, text sentiment analysis, input data point