Dynamiczne dostosowywanie architektury NN: wymyślanie niepotrzebnego?

Zaczynam od podróży doktorskiej, a ostatecznym celem, jaki sobie wyznaczyłem, jest opracowanie ANN, które monitorowałyby środowisko, w którym pracują, i dynamicznie dostosowywały swoją architekturę do problemu. Oczywistą konsekwencją jest czasowość danych: jeśli zbiór danych nie jest ciągły i nie zmienia się z czasem, po co w ogóle się dostosowywać?

Najważniejsze pytanie brzmi: czy w związku z niedawnym wzrostem głębokiego uczenia się jest to nadal istotny temat? Czy FFNN mają szansę znaleźć niszę w problemach związanych ze znoszeniem koncepcji?

Boję się przeciążać wątek zbyt wieloma pytaniami, ale to nie jest całkowicie nie na temat: znam RNN, ale mam ograniczone (ok, żadne lub czysto teoretyczne) doświadczenie z nimi; Uważam, że dynamiczne dostosowanie architektury musi być istotnym tematem w kontekście RNN. Pytanie brzmi: czy już na nie odpowiedziano i czy będę wymyślał koło na nowo?

PS Przesłano do MetaOptimize

Sieci neuronowe kaskadowo-korelacyjne dostosowują swoją strukturę, dodając ukryte węzły podczas procesu szkolenia, więc może to być miejsce, od którego można zacząć. Większość innych prac, które widziałem, które automatycznie dostosowują liczbę warstw, liczbę ukrytych węzłów itp. Sieci neuronowej, wykorzystują algorytmy ewolucyjne.

Niestety, ta praca jest poza moim obszarem, więc nie mogę polecić żadnych konkretnych artykułów ani referencji, które mogłyby pomóc w rozpoczęciu pracy. Mogę powiedzieć, że nie widziałem żadnej pracy, która próbowałaby wspólnie optymalizować strukturę sieci i parametry jednocześnie w społeczności zajmującej się głębokim uczeniem się. W rzeczywistości większość architektur głębokiego uczenia opiera się na chciwym uczeniu się pojedynczej warstwy na raz, dzięki czemu nawet uczenie się przez Internet głębokich sieci neuronowych jest raczej nietkniętym obszarem (praca Martensa i in. Nad Hessian Free Optimization jest godnym uwagi wyjątkiem).

Innym powodem do rozważenia opracowania nowatorskich podejść do konstruktywnych sieci neuronowych (takich jak wspomniany algorytm CC @alto) jest zastosowanie poza statystykami . W szczególności w teoretycznej neuronauce i kognitywistyce często wykorzystuje się konstruktywne sieci neuronowe ze względu na metaforyczne podobieństwo do rozwoju i neurogenezy. Aby zobaczyć przykład częstego wykorzystania kaskadowo-korelacji, spójrz na publikacje Thomasa R. Shultza . Niestety, podejście do korelacji kaskadowej jest biologicznie nierealne i jeśli masz zakręt neuronauki, warto zastanowić się, w jaki sposób nowe NN z regulowaną architekturą mogłyby być wykorzystane jako lepsze modele rozwoju i / lub neurogenezy.