计算机应用

作者：张睿, 潘俊铭, 白晓露, 胡静, 张荣国, 张鹏云

单位：1.太原科技大学 计算机科学与技术学院，太原 030024；2.北京工业大学 信息学部，北京 100124

关键词：深度卷积神经网络,分类模型,超参数优化,代理模型,模型优化

基金：教育部人文社会科学研究项目(23YJCZH299);山西省基础研究计划项目(20210302123216);太原科技大学研究生联合培养示范基地项目(JD2022004);太原科技大学研究生教育创新项目(SY2023040)

为进一步提高深度分类模型超参数多目标自适应寻优效率，提出一种筛选式增强Dropout代理（FEDA）模型。首先，构建点对互信息约束增强的双通道Dropout神经网络，增强对高维超参数深度分类模型的拟合，并结合聚集选解策略加速候选解集的选取；其次，设计一种结合模型管理策略的算法FEDA-ARMOEA（FEDA model-A novel preference-based dominance Relation for Multi-Objective Evolutionary Algorithm）均衡种群个体的收敛性和多样性，协助FEDA提高深度分类模型训练及超参数自优化效率。将FEDA-ARMOEA与EDN-ARMOEA（Efficient Dropout neural Network-assisted AR-MOEA）、HeE-MOEA（Heterogeneous Ensemble-based infill criterion for Multi-Objective Evolutionary Algorithm）等算法进行对比实验，实验结果表明，FEDA-ARMOEA在56组测试问题中的41组上表现较好。在工业应用焊缝数据集MTF和公共数据集CIFAR-10上实验，FEDA-ARMOEA优化的分类模型的精度分别达到96.16%和93.79%，训练时间相较于对比算法分别降低6.94%~47.04%和4.44%~39.07%，均优于对比算法，验证了所提算法的有效性和泛化性。

来源：2024年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第10期