AdaBnn: redes neuronales binarizadas entrenadas mediante aprendizaje estructural adaptativo (Estudio Experimental)

Abstract

Resumen En la actualidad, cada vez más productos de software, como aplicaciones móviles o web, hacen uso de interfaces que procesan datos en forma de audio, imágenes, vídeos y texto, así mismo, la incorporación de inteligencia artificial en estos productos es también incrementalmente frecuente. En ese sentido, las redes neuronales profundas han mostrado un desempeño sobresaliente en tareas como reconocimiento de voz [8], clasificación de imágenes[18, 15], clasificación de documentos[12], entre otras. Sin embargo, el proceso de implementación de estos algoritmos conlleva ciertas consideraciones técnicas, por ejemplo, una iterativa calibración de parámetros cómo la profundidad de la red y la cantidad de neuronas en cada capa, a manera de ensayo y error, así como, grandes cantidades de memoria,accesos y amplios tiempos de ejecución para su entrenamiento y uso. En el presente trabajo de investigación se diseñaron, implementaron y compararon redes neuronales profundas concebidas mediante aprendizaje estructural adaptativo y cuyos pesos fueron restringidos al conjunto {−1,1}, cómo una forma de disminuir las consideraciones técnicas mencionadas, dichas redes neuronales fueron evaluadas en el problema de clasificación de imágenes tanto en su configuración binaria cómo multiclase, los resultados de dichos experimentos son expuestos junto a un análisis de desempeño. Palabras claves:redes neuronales binarizadas, inteligencia artificial, aprendizaje estructurado, procesamiento digital de imágenes