%0 Journal Article
%T Selecci車n eficiente de arquitecturas neuronales empleando t谷cnicas destructivas y de regularizaci車n
%A Andr谷s Eduardo Gaona Barrera
%A Dora Mar赤a Ballesteros Larrotta
%J -
%D 2012
%R https://doi.org/10.14483/udistrital.jour.tecnura.2012.3.a11
%X Resumen (es_ES) Este art赤culo presenta una comparaci車n detallada tanto a nivel te車rico como pr芍ctico de Redes Neuronales Ontogen谷ticas obtenidas a partir de algoritmos destructivos y de regularizaci車n. Inicialmente se desarrolla el concepto de funci車n de error regularizada y las diferentes formas de modificar esta funci車n (weight decay - WD, eliminaci車n de pesos, penalizaci車n de Chauvin y suavizaci車n de pesos). Luego se muestran los algoritmos destructivos m芍s representativos, prestando especial atenci車n en el OBD (Optimal Brain Damage). Para mostrar la forma de aplicaci車n y funcionamiento de las t谷cnicas destructivas y regularizaci車n se seleccionan los algoritmos de WD y OBD en el problema de la funci車n XOR, cuyo resultado 車ptimo es conocido y que es posible visualizar de forma gr芍fica f芍cilmente. Para realizar comparaciones efectivas entre las t谷cnicas, se programa el algoritmo de back-propagation en su forma b芍sica y se realizan modificaciones del mismo para aplicar WD y hallar la matriz Hessiana en OBD. Los resultados muestran las bondades de WD en cuanto a velocidad de ejecuci車n, pero no eliminaci車n estricta de pesos, mientras OBD disminuye la complejidad de la arquitectura de la red neuronal, aunque su costo computacional es elevado
%U https://revistas.udistrital.edu.co/index.php/Tecnura/article/view/6874