Optimización de arquitecturas de redes neuronales convolucionales para el reconocimiento de patrones en imágenes mediante algoritmo genético de dos niveles

Abstract

La Neuroevolución permite encontrar arquitecturas de redes neuronales convolucionales (CNN) automáticamente a través de algoritmos evolutivos. Sin embargo, el tiempo de búsqueda suele ser extenso, ya que se deben entrenar múltiples CNNs durante la evolución para calcular su fitness. Esto ha llevado a enfoques para acelerar este cálculo, generando un compromiso entre el tiempo de cómputo y la fidelidad del fitness. Para abordar el problema del compromiso, en este trabajo se propone un algoritmo genético de dos niveles (2LGA). Mientras que un nivel evalúa a todos los individuos rápidamente, el segundo evalúa más precisamente solo aquellos con los resultados mas promisorios. También se propone un espacio de búsqueda flexible y una codificación con genes no expresados para facilitar el crossover y la transmisión de información genética. El 2LGA se aplicó a siete datasets de clasificación de imágenes, cinco variantes de MNIST (MNIST-Variants), Fashion-MNIST y CIFAR-10, logrando resultados mejores que los publicados anteriormente. Los resultados muestran una mejora del 45 % en el dataset más complejo de MNIST, MRDBI, y una mejora promedio de 42.6 % en MNIST-Variants. Además, se mostró que el algoritmo igualó el desempeño de un algoritmo genético AG con entrenamientos precisos, pero tomando el tiempo de uno con entrenamientos rápidos.