Artificial Neuronal Networks: A Bayesian Approach Using Parallel Computing

• Autores: Eduardo Guzmán, Mario Vázquez, David Valle, Paulino Pérez Rodríguez
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 41, Nº. 2, 2018, págs. 173-189
• Idioma: inglés
• DOI: 10.15446/rce.v41n2.55250
• Títulos paralelos:
  • Redes neuronales regularizadas: un enfoque bayesiano usando cómputo paralelo
• Enlaces
  • Texto completo
• Resumen
  • español

    Resumen Una Red Neuronal Artificial (RNA) es un paradigma de aprendizaje y procesamiento automático inspirado en el comportamiento biológico de las neuronas y en la estructura del cerebro. El cerebro es un sistema altamente complejo; su unidad básica de procesamiento son las neuronas, las cuales se encuentra distribuidas de forma masiva compartiendo múltiples conexiones entre ellas. Las RNAs intentan emular ciertas características propias de los humanos, pueden ser vistas como un sistema inteligente que lleva a cabo tareas de manera distinta a como lo hacen las computadoras actuales. Las RNAs pueden emplearse para realizar actividades complejas, por ejemplo: reconocimiento y clasificación de patrones, predicción del clima, predicción de valores genéticos, etc. Los algoritmos utilizados para entrenar las redes, son en general complejos, por lo cual surge la necesidad de contar con alternativas que permitan reducir de manera significativa el tiempo necesario para entrenar una red. En este trabajo se presenta una propuesta de algoritmos basados en la estrategia “divide y conquista” que permiten entrenar las RNAs de una sola capa oculta. Parte de los sub problemas del algoritmo general de entrenamiento se resuelven utilizando técnicas de cómputo paralelo, lo que permite mejorar el desempeño de la aplicación resultante. El algoritmo propuesto fue implementado utilizando el lenguaje de programación C++, así como las librerías Open MPI y ScaLAPACK. Se presentan algunos ejemplos de aplicación y se evalúa el desempeño del programa resultante. Los resultados obtenidos muestran que es posible reducir de manera significativa los tiempos necesarios para ejecutar el programa que implementa el algoritmo para el ajuste de la RNA.

  • English

    Abstract An Artificial Neural Network (ANN) is a learning paradigm and automatic processing inspired in the biological behavior of neurons and the brain structure. The brain is a complex system; its basic processing unit are the neurons, which are distributed massively in the brain sharing multiple connections between them. The ANNs try to emulate some characteristics of humans, and can be thought as intelligent systems that perform some tasks in a dierent way that actual computer does. The ANNs can be used to perform complex activities, for example: pattern recognition and classification, weather prediction, genetic values prediction, etc. The algorithms used to train the ANN, are in general complex, so therefore there is a need to have alternatives which lead to a significant reduction of times employed to train an ANN. In this work, we present an algorithm based in the strategy “divide and conquer” which allows to train an ANN with a single hidden layer. Part of the sub problems of the general algorithm used for training are solved by using parallel computing techniques, which allows to improve the performance of the resulting application. The proposed algorithm was implemented using the C++ programming language, and the libraries Open MPI and ScaLAPACK. We present some application examples and we asses the application performance. The results shown that it is possible to reduce significantly the time necessary to execute the program that implements the algorithm to train the ANN.

• Referencias bibliográficas
  • Blackford, L. S.,Choi, J.,Cleary, A.,D'Azevedo, E.,Demmel, J.,Dhillon, I.,Dongarra, J.,Hammarling, S.,Henry, G.,Petitet, A.,Stanley, K.,Walker,...
  • Crossa, J.,de los Campos, G.,Pérez-Rodríguez, P.,Gianola, D.,no, J. B.,Araus, J. L.,Makumbi, D.,Singh, R. P.,Dreisigacker, S.,Yan, J.,Arief,...
  • Foresee, F. D.,Hagan, M. T. (1997). Gauss Newton approximation to Bayesian learning. 3. Proc. IEEE International Conference Neural Networks.
  • Fox, J. (2008). Applied Regression Analysis and Generalized Linear Models. SAGE Publications.
  • Gabriel, E.,Fagg, G. E.,Bosilca, G.,Angskun, T.,Dongarra, J. J.,Squyres, J. M.,Sahay, V.,Kambadur, P.,Barrett, B.,Lumsdaine, A.,Castain, R....
  • Gianola, D.,Okut, H.,Weigel, K. A.,Rosa, G. J. (2011). Predicting complex quantitative traits with bayesian neural networks: a case study...
  • Girosi, F.,Poggio, T. (1989). Representation properties of networks: Kolmogorov's theorem is irrelevant. Neural Computation. 1. 465
  • Kolmogorov, A. K. (1957). On the representation of continuous functions of several variables by superposition of continuous functions of one...
  • Lampinen, J.,Vehtari, A. (2001). Bayesian approach for neural networks review and case studies. Neural networks. 14. 259
  • Lampinen, J.,Vehtari, A.,Leinonen, K. (1999). Application of bayesian neural network in electrical impedance tomography. 6. 3942
  • Lebrón-Aldea, D.,Dhurandhar, E. J.,Pérez-Rodríguez, P.,Klimentidis, Y. C.,Tiwari, H. K.,Vazquez, A. I. (2015). Integrated genomic and bmi...
  • Levenberg, K. (1944). A method for the solution of certain problems in least squares. Quart. Applied Math. 2. 164
  • MacKay, D. J. (1994). Bayesian non-linear modelling for the prediction competition. ASHRAE transactions. 100. 5-12
  • Marquardt, D. W. (1963). An algorithm for least-squares estimation of nonlinear parameters. SIAM Journal on Applied Mathematics. 11. 431
  • Neal, R. M. (1996). Bayesian Learning for Neural Networks. pringer-Verlag New York, Inc., Secaucus. NJ, USA.
  • Nguyen, D.,Widrow, B. (1990). Improving the learning speed of 2-layer neural networks by choosing initial values of the adaptive weights....
  • Okut, H.,Gianola, D.,Rosa, G. J.,Weigel, K. (2011). Prediction of body mass index in mice using dense molecular markers and a regularized...
  • Pérez-Rodríguez, P.,Gianola, D.,González-Camacho, J. M.,Crossa, J.,Manes, Y.,Dreisigacker, S. (2012). Comparison between linear and non-parametric...
  • Pérez-Rodríguez, P.,Gianola, D.,Weigel, K. A.,Rosa, G. J. M.,Crossa, J. (2013). Technical note: An R package for fitting Bayesian regularized...
  • Prechelt, L. (2012). Neural Networks: Tricks of the Trade: Second Edition. Springer Berlin Heidelberg. Berlin, Heidelberg.
  • Yoginath, S.,Bauer, D.,Kora, G.,Samatova, N.,Kora, G.,Fann, G.,Geist, A. (2009). RScaLAPACK: High-performance parallel statistical computing...