OPTIMIZACIÓN DE HIPERPARÁMETROS EN REDES GENERATIVAS ADVERSARIAS (GANs) UTILIZANDO AHP GAUSSIANO

Vol 56, 2024 - 309675
Trabalho completo (Oral)
Favoritar este trabajo
¿Cómo citar este artículo?
Resúmenes

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.

¡Comparte tus ideas o preguntas con los autores!

¿Sabías que el mayor estímulo en el desarrollo científico y cultural es la curiosidad? ¡Deje sus preguntas o sugerencias al autor!

Inicia sesión para interactuar

¿Tiene alguna pregunta o sugerencia? ¡Comparte tus comentarios con los autores!

Instituciones
  • 1 Universidade de Fortaleza
Eje Temático
  • 2. ADM – Apoio à Decisão Multicritério
Palabras Clave
Redes generativas adversarias
Optimización de hiperparámetros
Proceso de jerarquía analítica gaussiana
Métodos de decisión multicriterio
Aprendizaje automático