Autor Yu, Yang
|
|
Documentos disponibles escritos por este autor (2)
Hacer una sugerencia Refinar búsqueda
TÃtulo : Evolutionary Learning: Advances in Theories and Algorithms Tipo de documento: documento electrónico Autores: Zhou, Zhi-Hua, Autor ; Yu, Yang, Autor ; Qian, Chao, Autor Mención de edición: 1 ed. Editorial: Singapore [Malasya] : Springer Fecha de publicación: 2019 Número de páginas: XII, 361 p. 59 ilustraciones, 20 ilustraciones en color. ISBN/ISSN/DL: 978-981-1359569-- Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Algoritmos Informática Aplicaciones matemáticas en informática Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Muchas tareas de aprendizaje automático implican resolver problemas de optimización complejos, como trabajar en funciones objetivo no diferenciables, no continuas y no únicas; en algunos casos puede resultar difÃcil incluso definir una función objetivo explÃcita. El aprendizaje evolutivo aplica algoritmos evolutivos para abordar problemas de optimización en el aprendizaje automático y ha arrojado resultados alentadores en muchas aplicaciones. Sin embargo, debido a la naturaleza heurÃstica de la optimización evolutiva, la mayorÃa de los resultados hasta la fecha han sido empÃricos y carecen de respaldo teórico. Esta deficiencia ha impedido que el aprendizaje evolutivo sea bien recibido en la comunidad de aprendizaje automático, que favorece enfoques teóricos sólidos. Recientemente se han realizado esfuerzos considerables para abordar esta cuestión. Este libro presenta una variedad de esos esfuerzos, divididos en cuatro partes. La Parte I presenta brevemente a los lectores el aprendizaje evolutivo y proporciona algunos preliminares, mientras que la Parte II presenta herramientas teóricas generales para el análisis del tiempo de ejecución y el rendimiento de aproximación en algoritmos evolutivos. Con base en estas herramientas generales, la Parte III presenta una serie de hallazgos teóricos sobre factores importantes en la optimización evolutiva, como la recombinación, la representación, la evaluación inexacta de la aptitud y la población. Para concluir, la Parte IV aborda el desarrollo de algoritmos de aprendizaje evolutivo con garantÃas teóricas demostrables para varias tareas representativas, en las que el aprendizaje evolutivo ofrece un rendimiento excelente. . Nota de contenido: 1.Introduction -- 2. Preliminaries -- 3. Running Time Analysis: Convergence-based Analysis -- 4. Running Time Analysis: Switch Analysis -- 5. Running Time Analysis: Comparison and Unification -- 6. Approximation Analysis: SEIP -- 7. Boundary Problems of EAs -- 8. Recombination -- 9. Representation -- 10. Inaccurate Fitness Evaluation -- 11. Population -- 12. Constrained Optimization -- 13. Selective Ensemble -- 14. Subset Selection -- 15. Subset Selection: k-Submodular Maximization -- 16. Subset Selection: Ratio Minimization -- 17. Subset Selection: Noise -- 18. Subset Selection: Acceleration. . En lÃnea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Evolutionary Learning: Advances in Theories and Algorithms [documento electrónico] / Zhou, Zhi-Hua, Autor ; Yu, Yang, Autor ; Qian, Chao, Autor . - 1 ed. . - Singapore [Malasya] : Springer, 2019 . - XII, 361 p. 59 ilustraciones, 20 ilustraciones en color.
ISBN : 978-981-1359569--
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Algoritmos Informática Aplicaciones matemáticas en informática Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Muchas tareas de aprendizaje automático implican resolver problemas de optimización complejos, como trabajar en funciones objetivo no diferenciables, no continuas y no únicas; en algunos casos puede resultar difÃcil incluso definir una función objetivo explÃcita. El aprendizaje evolutivo aplica algoritmos evolutivos para abordar problemas de optimización en el aprendizaje automático y ha arrojado resultados alentadores en muchas aplicaciones. Sin embargo, debido a la naturaleza heurÃstica de la optimización evolutiva, la mayorÃa de los resultados hasta la fecha han sido empÃricos y carecen de respaldo teórico. Esta deficiencia ha impedido que el aprendizaje evolutivo sea bien recibido en la comunidad de aprendizaje automático, que favorece enfoques teóricos sólidos. Recientemente se han realizado esfuerzos considerables para abordar esta cuestión. Este libro presenta una variedad de esos esfuerzos, divididos en cuatro partes. La Parte I presenta brevemente a los lectores el aprendizaje evolutivo y proporciona algunos preliminares, mientras que la Parte II presenta herramientas teóricas generales para el análisis del tiempo de ejecución y el rendimiento de aproximación en algoritmos evolutivos. Con base en estas herramientas generales, la Parte III presenta una serie de hallazgos teóricos sobre factores importantes en la optimización evolutiva, como la recombinación, la representación, la evaluación inexacta de la aptitud y la población. Para concluir, la Parte IV aborda el desarrollo de algoritmos de aprendizaje evolutivo con garantÃas teóricas demostrables para varias tareas representativas, en las que el aprendizaje evolutivo ofrece un rendimiento excelente. . Nota de contenido: 1.Introduction -- 2. Preliminaries -- 3. Running Time Analysis: Convergence-based Analysis -- 4. Running Time Analysis: Switch Analysis -- 5. Running Time Analysis: Comparison and Unification -- 6. Approximation Analysis: SEIP -- 7. Boundary Problems of EAs -- 8. Recombination -- 9. Representation -- 10. Inaccurate Fitness Evaluation -- 11. Population -- 12. Constrained Optimization -- 13. Selective Ensemble -- 14. Subset Selection -- 15. Subset Selection: k-Submodular Maximization -- 16. Subset Selection: Ratio Minimization -- 17. Subset Selection: Noise -- 18. Subset Selection: Acceleration. . En lÃnea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Second International Conference, DAI 2020, Nanjing, China, October 24–27, 2020, Proceedings / Taylor, Matthew E. ; Yu, Yang ; Elkind, Edith ; Gao, Yang
TÃtulo : Second International Conference, DAI 2020, Nanjing, China, October 24–27, 2020, Proceedings Tipo de documento: documento electrónico Autores: Taylor, Matthew E., ; Yu, Yang, ; Elkind, Edith, ; Gao, Yang, Mención de edición: 1 ed. Editorial: [s.l.] : Springer Fecha de publicación: 2020 Número de páginas: IX, 141 p. 5 ilustraciones ISBN/ISSN/DL: 978-3-030-64096-5 Nota general: Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos. Palabras clave: Inteligencia artificial Computadoras Propósitos especiales Software de la aplicacion Ordenadores Red de computadoras Informática Estadistica matematica Sistemas de propósito especial y basados ​​en aplicaciones Aplicaciones informáticas y de sistemas de información Entornos informáticos Redes de comunicación informática Probabilidad y EstadÃstica en Informática Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas de la Segunda Conferencia Internacional sobre Inteligencia Artificial Distribuida, DAI 2020, celebrada en Nanjing, China, en octubre de 2020. Los 9 artÃculos completos presentados en este libro fueron cuidadosamente revisados ​​y seleccionados entre 22 presentaciones. DAI tiene como objetivo reunir a investigadores y profesionales internacionales en áreas relacionadas, incluida la IA general, los sistemas multiagente, el aprendizaje distribuido, la teorÃa de juegos computacionales, etc., para proporcionar un foro único, de alto perfil y de renombre internacional para la investigación en la teorÃa y la práctica de la tecnologÃa distribuida. AI. Debido a la pandemia de Corona, este evento se llevó a cabo virtualmente. Nota de contenido: Parallel Algorithm for Nash Equilibrium in Multiplayer Stochastic Games with Application to Naval Strategic Planning -- LAC-Nav: Collision-Free Multiagent Navigation Based on The Local ActionCells -- MGHRL: Meta Goal-generation for Hierarchical Reinforcement Learning -- D3PG: Decomposed Deep Deterministic Policy Gradient for Continuous Control -- Lyapunov-Based Reinforcement Learning for Decentralized Multi-Agent Control -- Hybrid Independent Learning in Cooperative Markov Games -- Efficient Exploration By Novelty-Pursuit -- Context-aware Multi-Agent Coordination with Loose Couplings and Repeated Interaction -- Battery Management for Automated Warehouses via Deep Reinforcement Learning. En lÃnea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i Second International Conference, DAI 2020, Nanjing, China, October 24–27, 2020, Proceedings [documento electrónico] / Taylor, Matthew E., ; Yu, Yang, ; Elkind, Edith, ; Gao, Yang, . - 1 ed. . - [s.l.] : Springer, 2020 . - IX, 141 p. 5 ilustraciones.
ISBN : 978-3-030-64096-5
Libro disponible en la plataforma SpringerLink. Descarga y lectura en formatos PDF, HTML y ePub. Descarga completa o por capítulos.
Palabras clave: Inteligencia artificial Computadoras Propósitos especiales Software de la aplicacion Ordenadores Red de computadoras Informática Estadistica matematica Sistemas de propósito especial y basados ​​en aplicaciones Aplicaciones informáticas y de sistemas de información Entornos informáticos Redes de comunicación informática Probabilidad y EstadÃstica en Informática Ãndice Dewey: 006.3 Inteligencia artificial Resumen: Este libro constituye las actas arbitradas de la Segunda Conferencia Internacional sobre Inteligencia Artificial Distribuida, DAI 2020, celebrada en Nanjing, China, en octubre de 2020. Los 9 artÃculos completos presentados en este libro fueron cuidadosamente revisados ​​y seleccionados entre 22 presentaciones. DAI tiene como objetivo reunir a investigadores y profesionales internacionales en áreas relacionadas, incluida la IA general, los sistemas multiagente, el aprendizaje distribuido, la teorÃa de juegos computacionales, etc., para proporcionar un foro único, de alto perfil y de renombre internacional para la investigación en la teorÃa y la práctica de la tecnologÃa distribuida. AI. Debido a la pandemia de Corona, este evento se llevó a cabo virtualmente. Nota de contenido: Parallel Algorithm for Nash Equilibrium in Multiplayer Stochastic Games with Application to Naval Strategic Planning -- LAC-Nav: Collision-Free Multiagent Navigation Based on The Local ActionCells -- MGHRL: Meta Goal-generation for Hierarchical Reinforcement Learning -- D3PG: Decomposed Deep Deterministic Policy Gradient for Continuous Control -- Lyapunov-Based Reinforcement Learning for Decentralized Multi-Agent Control -- Hybrid Independent Learning in Cooperative Markov Games -- Efficient Exploration By Novelty-Pursuit -- Context-aware Multi-Agent Coordination with Loose Couplings and Repeated Interaction -- Battery Management for Automated Warehouses via Deep Reinforcement Learning. En lÃnea: https://link-springer-com.biblioproxy.umanizales.edu.co/referencework/10.1007/97 [...] Link: https://biblioteca.umanizales.edu.co/ils/opac_css/index.php?lvl=notice_display&i
