检索结果-内蒙古大学图书馆

您好，读者！请登录

内蒙古大学图书馆

首页
概况
党建
资源
服务
科研支持
- 论文收录引用证明
- 科技查新
知识产权
档案馆
帮助

咨询与建议

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

您的常用邮箱：*

您的手机号码：*

问题描述：

当前已输入0个字，您还可以输入200个字

全部搜索
期刊论文
图书
学位论文
标准
纸本馆藏
外文资源发现
数据库导航
超星发现

高级检索

时间限定

出版年份：

文献类型

图书期刊文献学位论文多媒体

馆藏选择

电子馆藏纸本馆藏

核心期刊

全部期刊 SCI 收录期刊 SSCI 收录期刊 EI 收录期刊 CSCD 收录期刊 CSSCI 收录期刊

语言

中文英文

文献类型

期刊文献图书学位论文标准纸本馆藏

帮助

文字说明：

T=题名（书名、题名），A=作者（责任者），K=主题词，P=出版物名称，PU=出版社名称，O=机构（作者单位、学位授予单位、专利申请人），L=中图分类号，C=学科分类号，U=全部字段，Y=年（出版发行年、学位年度、标准发布年）

检索规则说明：

AND代表“并且”；OR代表“或者”；NOT代表“不包含”；(注意必须大写,运算符两边需空一格)

检索范例：

范例一：(K=图书馆学 OR K=情报学) AND A=范并思 AND Y=1982-2016
范例二：P=计算机应用与软件 AND (U=C++ OR U=Basic) NOT K=Visual AND Y=2011-2016

分类表

所选分类

>> <<

限定检索结果

文献类型

2 篇 会议

馆藏范围

2 篇 电子文献
0 种 纸本馆藏

日期分布

学科分类号

2 篇 理学
- 2 篇 生物学
2 篇 工学
- 1 篇 电气工程
- 1 篇 计算机科学与技术...
1 篇 医学
- 1 篇 基础医学(可授医学...

主题

2 篇 classification a...
2 篇 evolving neural ...
1 篇 deep learning
1 篇 evolutionary het...
1 篇 heterogeneous ne...
1 篇 evolutionary neu...

机构

2 篇 simon fraser uni...

作者

2 篇 cui peiyu
2 篇 wiese kay c.
1 篇 shabash boris

语言

2 篇 英文

检索条件"主题词=Classification and Learning in Computational Biology and Bioinformatics"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

EvoDNN - An Evolutionary Deep Neural Network with Heterogeneous Activation Functions

EvoDNN - An Evolutionary Deep Neural Network with Heterogene...

引用

IEEE Congress on Evolutionary Computation (IEEE CEC)

作者： Cui, Peiyu Shabash, Boris Wiese, Kay C. Simon Fraser Univ Sch Comp Sci Burnaby BC Canada

ISBN: (纸本)9781728121536

Many problems in computational biology and bioinformatics involve classification, such as the classification of cell samples into malignant (cancer) or benign (normal). For such tasks, we propose EvoDNN, an evolutionary deep neural network that employs an evolutionary algorithm to evolve deep heterogeneous feed-forward neural networks. While the majority of current feed-forward neural networks employ user defined homogeneous activation functions, EvoDNN creates heterogeneous multi-layer networks where each neuron's activation function is not statically defined by the user, but dynamically optimized during evolution. The main advantage offered by EvoDNN lies in that the activation functions do not need to be differentiable. This feature gives users a great degree of flexibility over which activation functions EvoDNN can utilize. This paper demonstrates how EvoDNN can simultaneously optimize each neuron's weight, bias, and activation function, and empirically shows a superior performance compared to a backpropagation-trained feed-forward neural network at the cost of additional training time. In addition, advantages of the deep architecture of EvoDNN over our earlier approach, EvoNN, which employed a single hidden layer are discussed.

关键词： Evolutionary Neural Networks Heterogeneous Neural Networks Evolving Neural Network Activation Functions classification and learning in computational biology and bioinformatics

来源：评论

学校读者我要写书评

暂无评论

EvoDNN - Evolving Weights, Biases, and Activation Functions in a Deep Neural Network

EvoDNN - Evolving Weights, Biases, and Activation Functions ...

引用

IEEE Conference on computational Intelligence in bioinformatics and computational biology (IEEE CIBCB)

作者： Cui, Peiyu Wiese, Kay C. Simon Fraser Univ Sch Comp Sci Burnaby BC Canada

ISBN: (数字)9781665484626

ISBN: (纸本)9781665484626

classification, such as classifying cell samples into cancer (malignant) or normal (benign), or the classification of genome regions into functional regions (for example coding regions or promoter regions) are important problems in computational biology. For such tasks, we have previously designed an evolutionary deep neural network that in addition to evolving the neuron's weights and biases also evolves (learns) the activation functions for each neuron and called this approach EvoDNN. EvoDNN can employ activation functions that are non-differentiable as it does not rely on back-propagation. This feature is adding flexibility in terms of activation functions EvoDNN can employ. The work presented here extends our previous work on EvoDNN by analyzing a more extensive set of data sets and studying variations of the internal topology of the EvoDNN model. In addition, we study the effect of evolving the weights and biases only while holding the activation function fixed and demonstrate that evolving activation functions indeed provides better performance. We also compare our model to several other popular models and demonstrate superior performance on several data sets. The current code for EvoDNN is available at https://***/Payuing/evoDNN.

关键词： Deep learning Evolutionary Heterogeneous Neural Networks Evolving Neural Network Activation Functions classification and learning in computational biology and bioinformatics

来源：评论

学校读者我要写书评

暂无评论

没有更多数据了...

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

检索报告对象比较合并检索0

隐藏清空

合并搜索

回到顶部

执行限定条件

内容：

评分：

请选择保存的检索档案：

请选择收藏分类：

订阅名称：

通借通还

温馨提示：

图书名称：

借书校区：

取书校区：

手机号码：

邮箱地址：

一卡通帐号：

电话和邮箱必须正确填写，我们会与您联系确认。

联系人：

所在院系：

联系邮箱：

联系电话：

内蒙古自治区呼和浩特市赛罕区大学西街235号邮编: 010021

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：