JP7197624B2 - タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法 - Google Patents
タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法 Download PDFInfo
- Publication number
- JP7197624B2 JP7197624B2 JP2021070306A JP2021070306A JP7197624B2 JP 7197624 B2 JP7197624 B2 JP 7197624B2 JP 2021070306 A JP2021070306 A JP 2021070306A JP 2021070306 A JP2021070306 A JP 2021070306A JP 7197624 B2 JP7197624 B2 JP 7197624B2
- Authority
- JP
- Japan
- Prior art keywords
- individuals
- individual
- processor
- population
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2134—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis
- G06F18/21342—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on separation criteria, e.g. independent component analysis using statistical independence, i.e. minimising mutual information or maximising non-gaussianity
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Medical Informatics (AREA)
- Neurology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Mobile Radio Communication Systems (AREA)
Description
102、703 記憶回路
104、704 プロセッサ
410、420、430、440 進化グラフ
500 第1の進化グラフ
511、512 ノード
510a ハブ
601 NEATネットワーク
602 CPPN
603 タスクネットワーク
611、911 入力特徴ベクトル
700 システム
701 センシング回路
702 通信回路
912 特定のタスクネットワーク
913 出力特徴ベクトル
914 クラシファイア
A1~AN 予め設定された行動
S1~S6 ステージ
S210~S250、S311~S321、S810~S830 ステップ
SP1~SP4 空間
Claims (5)
- 共進化メカニズムに基づいてタスクネットワークを訓練及び選択するための方法であって、
プロセッサが、第1の個体群に属する複数の第1の個体と第2の個体群に属する複数の第2の個体とを取得するステップであって、前記第1の個体及び前記第2の個体は共進化プロセスを介して進化するステップと、
前記プロセッサが、複数のパターン生成ネットワークによって生成された複数のタスクネットワークを取得するステップと、
前記プロセッサが、マルチターゲット関数に基づいて各前記タスクネットワークを前記第1の個体及び前記第2の個体で訓練し、訓練後に各前記タスクネットワークの精度を評価するステップであって、前記マルチターゲット関数は、各前記タスクネットワークの複数の特性を含むステップと、
前記プロセッサが、各前記タスクネットワークの前記精度に基づいて対応する前記パターン生成ネットワークの適合性スコアを決定するステップであって、各前記パターン生成ネットワークの前記適合性スコアは、前記パターン生成ネットワークに対応する前記タスクネットワークの前記精度に正に相関するステップと、
前記プロセッサが、各前記パターン生成ネットワークの前記適合性スコアに基づいて前記パターン生成ネットワークから特定のパターン生成ネットワークを見つけ、前記タスクネットワークの中から前記特定のパターン生成ネットワークに対応する特定のタスクネットワークを選択するステップと、
を含む、方法。 - 前記プロセッサが前記第1の個体群に属する前記第1の個体を取得するステップは、
前記プロセッサが、前記第1の個体群に属する複数の第1の参照個体を取得するステップであって、各前記第1の参照個体は複数の第1の遺伝子を有するステップと、
前記プロセッサが、各前記第1の参照個体の前記第1の遺伝子に基づいて各前記第1の参照個体の第1の適合性を決定するステップと、
前記プロセッサが、前記第1の参照個体を第1の進化グラフに割り当て、前記第1の進化グラフにおいて複数の第1の子個体を複製するステップであって、各前記第1の子個体及び前記第2の個体群に属する複数の第2の子個体が共進化プロセスを介して複製されるステップと、
前記プロセッサが、前記第1の子個体を前記第1の個体と定義するステップと、を含み、
前記プロセッサが前記第2の個体群に属する前記第2の個体を取得するステップは、
前記プロセッサが、前記第2の個体群に属する複数の第2の参照個体を取得するステップであって、各前記第2の参照個体は複数の第2の遺伝子を有するステップと、
前記プロセッサが、各前記第2の参照個体の前記第2の遺伝子に基づいて各前記第2の参照個体の第2の適合性を決定するステップと、
前記プロセッサが、前記第2の参照個体を第2の進化グラフに割り当て、前記第2の進化グラフにおいて、前記第2の子個体を複製するステップであって、前記第2の子個体及び前記第1の子個体は前記共進化プロセスを介して複製されるステップと、
前記プロセッサが、前記第2の子個体を前記第2の個体と定義するステップと、を含み、
前記プロセッサが前記第1の個体群に属する前記第1の参照個体を取得するステップ及び前記プロセッサが前記第2の個体群に属する前記第2の参照個体を取得するステップは、
前記プロセッサが、前記第1の個体群に属する複数の第1の初期個体をランダムに生成し、前記第2の個体群に属する複数の第2の初期個体をランダムに生成するステップと、
前記プロセッサが、新規性探索アルゴリズムに基づいて前記第1の初期個体の中から前記第1の参照個体を見つけ、前記新規性探索アルゴリズムに基づいて前記第2の初期個体の中から前記第2の参照個体を見つけるステップであって、各前記第1の参照個体の前記第1の遺伝子は第1の最小基準を満足し、各前記第2の参照個体の前記第2の遺伝子は第2の最小基準を満足するステップと、を含み、
前記第1の進化グラフは複数の第1のノードを含み、前記第1のノードは前記第1の個体群に属する複数の個体に対応し、各前記第1のノードは少なくとも1つのエッジによって隣接ノードに接続されており、各前記少なくとも1つのエッジはエッジ重みが割り当てられており、前記方法は、
(a)前記プロセッサが、前記第1の個体群に属する前記個体の中から第1の候補個体を選択し、前記第1のノードの中から前記第1の候補個体に対応する第1の特定のノードを見つけるステップと、
(b)前記プロセッサが、少なくとも1つの第2の候補個体を生成する前記第1の候補個体を複製し、前記第1の特定のノードの各前記少なくとも1つのエッジの前記エッジ重みに基づいて、前記第1の特定のノードに隣接する少なくとも1つの隣接ノードを前記少なくとも1つの第2の候補個体に対応する少なくとも1つの第2の特定のノードに置換するステップと、
(c)前記プロセッサが、累積進化時間が時間閾値に達するとの判断に応じてその時点で前記第1の個体群に含まれる前記個体を前記第1の子個体として構成し、前記累積進化時間が前記時間閾値に達していないとの決定に応じて(a)に戻るステップと、を含み、
前記第1の候補個体が選択される確率が前記第1の候補個体の適合性と正の相関があり、前記第1の個体群に属する前記個体は第1の個体群キューに記録され、前記第1の個体群キューは予め設定された容量を有し、前記方法は、更に、
前記プロセッサが、前記第1の個体群に属する前記個体及び前記少なくとも1つの第2の候補個体の総数が前記予め設定された容量よりも大きいとの決定に応じて、前記総数と前記予め設定された容量との差を取得するステップと、
前記プロセッサが、前記第1の個体群キューから最も古い前記個体の中の一部を除去し、前記第1の個体群キューに前記少なくとも1つの第2の候補個体を追加するステップであって、前記個体の中の前記一部の数は前記差に相当するステップと、を含む、請求項1に記載の方法。 - 各前記パターン生成ネットワークは、合成パターン生成ネットワークであって、
前記プロセッサが前記パターン生成ネットワークを取得するステップは、
前記プロセッサが、補強トポロジネットワークのニューロエボリューションを用いて前記パターン生成ネットワークを生成するステップであって、
前記特定のパターン生成ネットワークは、前記パターン生成ネットワークの中で最も高い適合性スコアを有するステップを含む、請求項1に記載の方法。 - センシングデータに基づいて行動を決定するための方法であって、
プロセッサが、センシングデータを取得し、前記センシングデータを入力特徴ベクトルにマッピングするステップであって、前記センシングデータは、第1の特定の個体に属する複数のセンシング属性を含み、前記第1の特定の個体は、第1の個体群に属するステップと、
前記プロセッサが、入力特徴ベクトルを特定のタスクネットワークに供給することによって、前記特定のタスクネットワークが出力特徴ベクトルを生成するステップであって、前記特定のタスクネットワークは、前記第1の個体群及び第2の個体群に基づいて訓練されるステップと、
前記プロセッサが、前記出力特徴ベクトルに従って出力行動を決定し、前記出力行動に基づいて第2の特定の個体を設定するステップであって、前記第2の特定の個体は前記第2の個体群に属するステップと、
を含み、
前記特定のタスクネットワークは、前記第1の個体群に属する複数の第1の個体及び前記第2の個体群に属する複数の第2の個体に基づいて訓練され、前記第1の個体及び前記第2の個体は共進化プロセスを介して進化する、方法。 - 前記プロセッサが前記出力特徴ベクトルに従って前記出力行動を決定するステップは、
前記プロセッサが、前記出力特徴ベクトルをクラシファイアに供給することによって、前記クラシファイアが複数の予め設定された行動の中から前記出力特徴ベクトルに対応する特定の行動を見つけるステップと、
前記プロセッサが、前記特定の行動を前記出力行動と定義するステップと、を含む、請求項4に記載の方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW109138475A TWI762015B (zh) | 2020-11-04 | 2020-11-04 | 挑選任務網路的方法、基於感測資料決定動作的系統及方法 |
TW109138475 | 2020-11-04 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022075471A JP2022075471A (ja) | 2022-05-18 |
JP7197624B2 true JP7197624B2 (ja) | 2022-12-27 |
Family
ID=74884895
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021070306A Active JP7197624B2 (ja) | 2020-11-04 | 2021-04-19 | タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220138587A1 (ja) |
EP (1) | EP3995998A1 (ja) |
JP (1) | JP7197624B2 (ja) |
KR (1) | KR20220060454A (ja) |
CN (1) | CN114528969A (ja) |
TW (1) | TWI762015B (ja) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020170952A (ja) | 2019-04-04 | 2020-10-15 | セイコーエプソン株式会社 | 画像処理装置、機械学習装置、画像処理方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2548143A (en) * | 2016-03-10 | 2017-09-13 | Lancaster Univ Business Entpr Ltd | Surface modelling |
US11250328B2 (en) * | 2016-10-26 | 2022-02-15 | Cognizant Technology Solutions U.S. Corporation | Cooperative evolution of deep neural network structures |
US20190019197A1 (en) * | 2017-07-13 | 2019-01-17 | Asapp, Inc | Determining to dispatch a technician for customer support |
CN111279421B (zh) * | 2017-09-29 | 2024-04-09 | 布里格姆妇女医院 | 人类胚胎的自动评价 |
CN108428005A (zh) * | 2018-01-17 | 2018-08-21 | 中山大学 | 一种基于并行协同演化的高维多目标优化算法 |
US20200143243A1 (en) * | 2018-11-01 | 2020-05-07 | Cognizant Technology Solutions U.S. Corporation | Multiobjective Coevolution of Deep Neural Network Architectures |
US10839606B2 (en) * | 2018-12-28 | 2020-11-17 | National Tsing Hua University | Indoor scene structural estimation system and estimation method thereof based on deep learning network |
US11481639B2 (en) * | 2019-02-26 | 2022-10-25 | Cognizant Technology Solutions U.S. Corporation | Enhanced optimization with composite objectives and novelty pulsation |
US11556850B2 (en) * | 2019-10-10 | 2023-01-17 | Accenture Global Solutions Limited | Resource-aware automatic machine learning system |
CN111813500B (zh) * | 2020-07-09 | 2022-11-22 | 西北工业大学 | 一种多目标云工作流调度方法及装置 |
WO2022035948A1 (en) * | 2020-08-12 | 2022-02-17 | Cognizant Technology Solutions U.S. Corporation | System and method for generating parametric activation functions |
-
2020
- 2020-11-04 TW TW109138475A patent/TWI762015B/zh active
- 2020-12-09 CN CN202011450115.2A patent/CN114528969A/zh active Pending
-
2021
- 2021-01-14 US US17/148,586 patent/US20220138587A1/en active Pending
- 2021-03-16 EP EP21162872.2A patent/EP3995998A1/en active Pending
- 2021-04-14 KR KR1020210048322A patent/KR20220060454A/ko not_active Application Discontinuation
- 2021-04-19 JP JP2021070306A patent/JP7197624B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020170952A (ja) | 2019-04-04 | 2020-10-15 | セイコーエプソン株式会社 | 画像処理装置、機械学習装置、画像処理方法 |
Non-Patent Citations (1)
Title |
---|
Jonathan C. Brant, Kenneth O. Stanley,Minimal Criterion Coevolution: A New Approach to Open-Ended Search,Proceedings of the Genetic and Evolutionary Computation Conference (GECCO 2017),2017年07月,pp.67-74,https://dl.acm.org/doi/pdf/10.1145/3071178.3071186,[2022年6月14日検索] |
Also Published As
Publication number | Publication date |
---|---|
JP2022075471A (ja) | 2022-05-18 |
KR20220060454A (ko) | 2022-05-11 |
US20220138587A1 (en) | 2022-05-05 |
TW202219838A (zh) | 2022-05-16 |
EP3995998A1 (en) | 2022-05-11 |
CN114528969A (zh) | 2022-05-24 |
TWI762015B (zh) | 2022-04-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Binh et al. | Improved cuckoo search and chaotic flower pollination optimization algorithm for maximizing area coverage in wireless sensor networks | |
US11042802B2 (en) | System and method for hierarchically building predictive analytic models on a dataset | |
JP2023510566A (ja) | ニューラル・ネットワークのための適応的探索方法および装置 | |
Hegazy et al. | Comparative study between FPA, BA, MCS, ABC, and PSO algorithms in training and optimizing of LS-SVM for stock market prediction | |
Si et al. | Dynamic topology representing networks | |
CN115329985B (zh) | 无人集群智能模型训练方法、装置和电子设备 | |
CN106789320A (zh) | 一种用于优化无线传感器网络拓扑的多种群协同进化方法 | |
Wang et al. | LinSATNet: the positive linear satisfiability neural networks | |
Chen et al. | A Spark-based Ant Lion algorithm for parameters optimization of random forest in credit classification | |
JP7197624B2 (ja) | タスクネットワークを選択するための方法、並びにセンシングデータに基づいて行動を決定するためのシステム及び方法 | |
Potvin et al. | Artificial neural networks for combinatorial optimization | |
Feng et al. | A clustering algorithm based on emotional preference and migratory behavior | |
Zhang et al. | Genetic programming for ensemble learning in face recognition | |
CN110610231A (zh) | 一种信息处理方法、电子设备和存储介质 | |
CN114637720B (zh) | 一种基于增长型环形som神经网络的片上光网络映射方法 | |
Thathachar et al. | Parallel algorithms for modules of learning automata | |
Wen et al. | Self-generating vs. self-organizing, what's different? | |
Balevi et al. | Synergies between cloud-fag-thing and brain-spinal cord-nerve networks | |
Ramachandra et al. | Crop Recommendation Using Machine Learning | |
Cruz-Vega et al. | Improved learning rule for LVQ based on granular computing | |
Li et al. | Some classical constructive neural networks and their new developments | |
Yang et al. | Virtual network function placement based on differentiated weight graph convolutional neural network and maximal weight matching | |
US20220215245A1 (en) | System and method for training non-parametric machine learning model instances in a collaborative manner | |
US20230289563A1 (en) | Multi-node neural network constructed from pre-trained small networks | |
Alade et al. | Enhancing Extreme Learning Machines Using Cross-Entropy Moth-Flame Optimization Algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210420 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220621 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220915 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20221206 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221215 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7197624 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |