Detail publikace
GPAM: Genetic Programming with Associative Memory
Sekanina Lukáš, prof. Ing., Ph.D. (UPSY FIT VUT)
Zaměřujeme se na evoluční návrh programů schopných zachytit více náhodnosti a odlehlých hodnot ve vstupním souboru dat, než obvykle umožňují standardní metody založené na genetickém programování (GP). Navrhujeme genetické programování s asociativní pamětí (GPAM) - systém založený na GP pro symbolickou regresi, který může využívat malou asociativní paměť k ukládání různých datových bodů, aby se lépe přiblížil původnímu souboru dat. Metoda je hodnocena na pěti standardních testovacích úlohách pro symbolickou regresi, v nichž je určitý počet datových bodů nahrazen náhodně generovanými hodnotami. V další případové studii se GPAM používá jako generátor schopný aproximovat váhy pro konvoluční neuronovou síť (CNN) na čipu, aby se omezil přístup k externí paměti vah. Pomocí kartézského genetického programování (CGP) jsme vyvinuli dvojice výrazů a obsahu paměti, které mohou generovat váhy jedné vrstvy CNN. Pokud asociativní paměť obsahuje 10 % původních vah, může generátor vah vyvinutý pro konvoluční vrstvu aproximovat původní váhy tak, že CNN využívající vygenerované váhy vykazuje méně než 1% pokles klasifikační přesnosti na datové sadě MNIST.
@INPROCEEDINGS{FITPUB12860, author = "Tade\'{a}\v{s} J\r{u}za and Luk\'{a}\v{s} Sekanina", title = "GPAM: Genetic Programming with Associative Memory", pages = "68--83", booktitle = "26th European Conference on Genetic Programming (EuroGP) Held as Part of EvoStar", series = "LNCS", journal = "Lecture Notes in Computer Science", volume = 13986, number = 3, year = 2023, location = "Cham, CH", publisher = "Springer Nature Switzerland AG", ISBN = "978-3-031-29572-0", ISSN = "0302-9743", doi = "10.1007/978-3-031-29573-7\_5", language = "english", url = "https://www.fit.vut.cz/research/publication/12860" }