Diseño automático de redes neuronales convolucionales inspiradas en arquitecturas biológicas retinotópicas utilizando algoritmos genéticos multi-cromosómicos

Abstract

Este trabajo se centra en el diseño automático de modelos de redes neuronales convolucionales (CNN) inspirados en arquitecturas biológicas retinotópicas, utilizando algoritmos genéticos multi-cromosómicos (MCGA). La investigación parte de la hipótesis de que la neuroevolución podría generar arquitecturas óptimas biológicamente inspiradas y que MCGA serían ideal para representar arquitecturas con diversas estructuras. Además, se propone que la incorporación de elementos bio-inspirados como multitarea, atención y parches neuronales mejoraría el rendimiento de las CNNs. Los resultados confirman las hipótesis iniciales, cumpliendo el objetivo general de diseñar CNNs automáticamente mediante MCGA para reconocimiento de patrones. En CIFAR-10 se obtiene un 4.61% de error de clasificación sin utilizar mejoras bio-inspiradas y 4.25% al incorporarlas, obteniendo mejor desempeño que modelos de estado del arte en espacios de búsqueda similares como CNN-GA e igual desempeño y menor tiempo de búsqueda que HGAPSO. Además, MCGA cumple con encontrar mejores modelos que Random Search (RS) en el mismo espacio de búsqueda. El estudio establece un precedente para futuras investigaciones en la creación de modelos de redes neuronales inspirados biológicamente, y sugiere diversas áreas para continuar explorando y mejorando estos enfoques.