WiMi Hologram Cloud Inc. kondigt aan dat het een algoritme voor groepsintelligentie gebruikt om het kunstmatige neurale netwerk te optimaliseren. Dit algoritme vergemakkelijkt het proces van het bepalen van de netwerkstructuur en het trainen van het kunstmatige neurale netwerk. Het algoritme van de groepsintelligentie is beter in het vinden van de optimale verbindingsgewichten en biases tijdens de training dan traditionele algoritmen. Het algoritme van de groepsintelligentie is een meta-heuristisch optimalisatiealgoritme dat geïnspireerd is door het observeren van de gedragspatronen van groepen dieren en insecten wanneer hun omgeving verandert.

Deze algoritmen gebruiken het eenvoudige collectieve gedrag van bepaalde groepen biologische organismen om groepsintelligentie te genereren. Hierdoor kunnen algoritmen voor groepsintelligentie complexe optimalisatieproblemen oplossen door gebruik te maken van de interactie tussen groepen kunstmatige zoekagenten en de omgeving. Groepsintelligentiealgoritmen kunnen verschillende soorten optimalisatieproblemen oplossen, waaronder continue, discrete of multi-objectieve optimalisatieproblemen. Daarom hebben ze een breed scala aan toepassingen op verschillende gebieden.

WiMi gebruikte een groepsintelligentiealgoritme om kunstmatige neurale netwerken te optimaliseren om het generalisatievermogen van kunstmatige neurale netwerken te verbeteren door de verbindingsgewichten, gewichten en biases of netwerkstructuur te optimaliseren. Dit zijn de stappen van het algoritme: Bepaal de structuur en parameters van het neurale netwerk: Het instellen en aanpassen van de structuur en parameters van het neurale netwerk volgens het specifieke probleem, zoals het aantal lagen, het aantal neuronen in elke laag, de activering van functies enzovoort. De trainingsdataset voorbereiden: Een geschikte trainingsdataset selecteren voor het trainen van het neurale netwerk.

Dataset initialiseren: Het willekeurig genereren van een reeks oplossingen als potentiële oplossingen voor het probleem, die de initiële dataset voorstelt. In de context van neurale netwerkoptimalisatie kan dit het willekeurig genereren van een reeks initiële gewichten en biaswaarden als initiële oplossingen voor het neurale netwerk omvatten. Bereken de fitness: Een fitnessfunctie wordt gedefinieerd op basis van de aard van het probleem en wordt gebruikt om de kwaliteit van elke oplossing te evalueren.

In de context van neurale netwerkoptimalisatie kan dit inhouden dat de fout tussen de uitvoer van het netwerk en het eigenlijke label als de fitness wordt berekend. Zoeken: Het bijwerken van elke oplossing in de populatie volgens een bepaalde updateregel (bijv. een updateregel gebaseerd op het modelleren van de bewegingsstap van zwermende organismen, zoals PSO, AFSA & SFLA) of een updateregel ingesteld volgens een of ander algoritmisch mechanisme (bijv. ACO). De fitness en stochastische factoren van elke oplossing worden bij de update in aanmerking genomen om de zoekefficiëntie te verbeteren.mination conditions: Ervoor zorgen dat het proces aan bepaalde beëindigingsvoorwaarden voldoet, zoals het bereiken van een aanwezigheidsmaximum aantal keren of het vinden van een bevredigende oplossing.

Testen en evalueren: Het testen en evalueren van het geoptimaliseerde neurale netwerk met behulp van een testdataset om de prestaties en het generalisatievermogen ervan te verifiëren. Het optimalisatiealgoritme van de groepsintelligentie is een probabilistische stochastische zoekmethode, dus het verkregen optimalisatieresultaat is niet noodzakelijk de optimale oplossing, maar meestal een betere oplossing. Daarnaast zal WiMi andere technieken gebruiken, zoals kenmerkselectie en voorbewerking van gegevens om de prestaties en generalisatie van het neurale netwerk verder te verbeteren.