This paper was published through Galoá and has a deposited DOI. To cite this paper, use one of the standards below:
In case you are one of the co-authors and want to register this paper in your Lattes, use the following code: doi > 10.59254/sbpo-2024-193630
If you've NEVER registered a DOI in your Lattes, check our tutorial!La optimización de hiperparámetros en Redes Generativas Adversarias (GANs) utilizando
el proceso de jerarquía analítica gaussiana (AHP gaussiano), el foco de este estudio. La combinación
técnicas de aprendizaje automático y métodos de decisión multicriterio tiene como objetivo mejorar el rendimiento
y la eficiencia de los modelos GAN. Utilizando el conjunto de datos Fashion MNIST, los modelos GAN
se entrenan y se aplica el AHP gaussiano para evaluar y optimizar los hiperparámetros en función de
en múltiples criterios de rendimiento, como la calidad de las imágenes generadas, la estabilidad del entrenamiento
y tiempo de formación. La metodología se valida a través de experimentos iterativos,
en el que los hiperparámetros se ajustan automáticamente en función de las puntuaciones obtenidas, maximizando
la eficiencia y la calidad del modelo. Los resultados indican una mejora significativa
Eficiencia computacional y de imágenes.
Con casi 200.000 artículos publicados, Galoá permite a los académicos compartir y descubrir investigaciones de vanguardia a través de nuestra plataforma de publicación académica optimizada y accesible.
Obtenga más información sobre nuestros productos:
This proceedings is identified by a DOI , for use in citations or bibliographic references. Atención: este no es un DOI para el trabajo y, como tal, no se puede usar en Lattes para identificar un trabajo en particular.
Check the link "How to cite" en la página del papel, para ver cómo citar correctamente el papel