Detail publikace
GPAM: Genetic Programming with Associative Memory
Sekanina Lukáš, prof. Ing., Ph.D. (UPSY)
Genetic programming, Associative memory, Neural network, Weight compression, Symbolic regression
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{BUT185128,
author="Tadeáš {Jůza} and Lukáš {Sekanina}",
title="GPAM: Genetic Programming with Associative Memory",
booktitle="26th European Conference on Genetic Programming (EuroGP) Held as Part of EvoStar",
year="2023",
series="LNCS",
journal="Lecture Notes in Computer Science",
volume="13986",
number="3",
pages="68--83",
publisher="Springer Nature Switzerland AG",
address="Cham",
doi="10.1007/978-3-031-29573-7\{_}5",
isbn="978-3-031-29572-0",
issn="0302-9743"
}