Ir al contenido

Documat


Experimentos de aprendizaje con Máquinas de Boltzmann de alto orden

  • Autores: Manuel Graña Romay Árbol académico, Alicia Emilia D'Anjou D'Anjou Árbol académico, Francisco Xabier Albizuri Irigoyen Árbol académico, José Antonio Lozano Alonso Árbol académico, Pedro Larrañaga Múgica Árbol académico, Yosu Yurramendi Mendizabal Árbol académico, María del Carmen Hernández Gómez Árbol académico, José Luis Jiménez Jiménez, Francisco Javier Torrealdea Folgado Árbol académico, M. Poza, Ana Isabel González Acuña Árbol académico
  • Localización: Informática y automática: revista de la Asociación Española de Informática y Automática, ISSN 0214-932X, Vol. 29, Nº. 4, 1996, págs. 42-57
  • Idioma: español
  • Texto completo no disponible (Saber más ...)
  • Resumen
    • español

      En el presente trabajo se presentan los resultados obtenidos en la aplicación de las Máquinas de Boltzmann de alto orden sin unidades ocultas a un conjunto de problemas que representan paradigmas muy diferenciados de problemas de aprendizaje. El algoritmo de aprendizaje de las máquinas Boltzmann se generaliza para Máquinas con unidades discretas (cuyos estados son valores en un conjunto discreto no necesariamente binario) y continuas. El algoritmo de aprendizaje mantiene su validez para unidades continuas con espacios de estado no normalizados al intervalo [0,1]. Se observa, además que la ausencia de unidades ocultas permite prescindir del enfriamiento estadístico (simulated annealing) en la estimación de los niveles de activación promedio (probabilidades de activación en el caso binario), lo cual permite una aceleración substancial del proceso de aprendizaje, y una mejora cualitativa de los resultados. La descripción y presentación de los experimentos sigue el orden histórico de nuestros trabajos.

    • English

      This paper presents the results obtained applying High Order Bolzmann Machines without hidden units to a several well known problems that represent quite diverse learning paradigms. The learning algorithm of Boltzmann Machines easily generalises for machines discrete units (whose state spaces are discrete multivalued sets) and continuous units. The learning algorithm remains valid for continuous units not normalised in the [0,1] interval. Besides, the absence of hidden units allows the estimation of the mean activation levels (activation probabilities in the binary case) without using simulated annealing. This provides a substantial acceleration of the learning process, and a qualitative improvement of the results. The presentation, description and discussion of the experiments follows the historical order of our works.


Fundación Dialnet

Mi Documat

Opciones de artículo

Opciones de compartir

Opciones de entorno