Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "SI Valdez, A Rojas-Dom\u00ednguez", 
2
  "author": "SI Valdez, A Rojas-Dom\u00ednguez", 
            
3
  "author_email": null, 
3
  "author_email": null, 
            
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
4
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
5
  "extras": [
5
  "extras": [
            
6
    {
6
    {
            
7
      "key": "Publicaci\u00f3n", 
7
      "key": "Publicaci\u00f3n", 
            
8
      "value": "Revista"
8
      "value": "Revista"
            
9
    }, 
9
    }, 
            
10
    {
10
    {
            
11
      "key": "Tipo", 
11
      "key": "Tipo", 
            
12
      "value": "Publicaci\u00f3n"
12
      "value": "Publicaci\u00f3n"
            
13
    }
13
    }
            
14
  ], 
14
  ], 
            
15
  "groups": [
15
  "groups": [
            
16
    {
16
    {
            
17
      "description": "Este grupo integra las publicaciones 
17
      "description": "Este grupo integra las publicaciones 
            
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
18
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
19
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
20
presentados en congresos nacionales e internacionales, manuscritos en 
20
presentados en congresos nacionales e internacionales, manuscritos en 
            
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
21
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
22
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
23
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
24
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
25
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
26
      "display_name": "Publicaciones", 
26
      "display_name": "Publicaciones", 
            
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
27
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
28
      "image_display_url": "", 
28
      "image_display_url": "", 
            
29
      "name": "publicaciones", 
29
      "name": "publicaciones", 
            
30
      "title": "Publicaciones"
30
      "title": "Publicaciones"
            
31
    }
31
    }
            
32
  ], 
32
  ], 
            
33
  "id": "a5a7eb6d-e5e8-4e67-8260-b98accfbb5ec", 
33
  "id": "a5a7eb6d-e5e8-4e67-8260-b98accfbb5ec", 
            
34
  "isopen": false, 
34
  "isopen": false, 
            
35
  "license_id": null, 
35
  "license_id": null, 
            
36
  "license_title": null, 
36
  "license_title": null, 
            
37
  "maintainer": null, 
37
  "maintainer": null, 
            
38
  "maintainer_email": null, 
38
  "maintainer_email": null, 
            
39
  "metadata_created": "2025-10-11T01:23:59.289651", 
39
  "metadata_created": "2025-10-11T01:23:59.289651", 
            
n
40
  "metadata_modified": "2025-10-11T01:23:59.289660", 
n
40
  "metadata_modified": "2025-10-11T01:23:59.878926", 
            
41
  "name": 
41
  "name": 
            
42
ear-complexity-application-to-training-of-deep-neural-n-a261c0afdcb2", 
42
ear-complexity-application-to-training-of-deep-neural-n-a261c0afdcb2", 
            
43
  "notes": "The performance of deep neural networks, such as Deep 
43
  "notes": "The performance of deep neural networks, such as Deep 
            
44
Belief Networks formed by Restricted Boltzmann Machines (RBMs), 
44
Belief Networks formed by Restricted Boltzmann Machines (RBMs), 
            
45
strongly depends on their training, which is the process of adjusting 
45
strongly depends on their training, which is the process of adjusting 
            
46
their parameters. This process can be posed as an optimization problem 
46
their parameters. This process can be posed as an optimization problem 
            
47
over n dimensions. However, typical networks contain tens of thousands 
47
over n dimensions. However, typical networks contain tens of thousands 
            
48
of parameters, making this a High-Dimensional Problem (HDP). Although 
48
of parameters, making this a High-Dimensional Problem (HDP). Although 
            
49
different optimization methods have been employed for this goal, the 
49
different optimization methods have been employed for this goal, the 
            
50
use of most of the Evolutionary Algorithms (EAs) becomes prohibitive 
50
use of most of the Evolutionary Algorithms (EAs) becomes prohibitive 
            
51
due to their inability to deal with HDPs. For instance, the Covariance 
51
due to their inability to deal with HDPs. For instance, the Covariance 
            
52
Matrix Adaptation Evolutionary Strategy (CMA-ES) which is regarded as 
52
Matrix Adaptation Evolutionary Strategy (CMA-ES) which is regarded as 
            
53
one of the most effective EAs, exhibits the enormous disadvantage of 
53
one of the most effective EAs, exhibits the enormous disadvantage of 
            
54
requiring $O(n^2)$ memory and operations, making it unpractical for 
54
requiring $O(n^2)$ memory and operations, making it unpractical for 
            
55
problems with more than a few hundred variables. In this paper, we 
55
problems with more than a few hundred variables. In this paper, we 
            
56
introduce a novel EA that requires $O(n)$ operations and memory, but 
56
introduce a novel EA that requires $O(n)$ operations and memory, but 
            
57
delivers competitive solutions for the training stage of RBMs with 
57
delivers competitive solutions for the training stage of RBMs with 
            
58
over one million variables, when compared against CMA-ES and the 
58
over one million variables, when compared against CMA-ES and the 
            
59
Contrastive Divergence algorithm, which is the standard method for 
59
Contrastive Divergence algorithm, which is the standard method for 
            
60
training RBMs.", 
60
training RBMs.", 
            
n
61
  "num_resources": 0, 
n
61
  "num_resources": 1, 
            
62
  "num_tags": 13, 
62
  "num_tags": 13, 
            
63
  "organization": {
63
  "organization": {
            
64
    "approval_status": "approved", 
64
    "approval_status": "approved", 
            
65
    "created": "2022-05-19T00:10:30.480393", 
65
    "created": "2022-05-19T00:10:30.480393", 
            
66
    "description": "Observatorio Metropolitano CentroGeo", 
66
    "description": "Observatorio Metropolitano CentroGeo", 
            
67
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
67
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
68
    "image_url": 
68
    "image_url": 
            
69
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
69
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
70
    "is_organization": true, 
70
    "is_organization": true, 
            
71
    "name": "observatorio-metropolitano-centrogeo", 
71
    "name": "observatorio-metropolitano-centrogeo", 
            
72
    "state": "active", 
72
    "state": "active", 
            
73
    "title": "Observatorio Metropolitano CentroGeo", 
73
    "title": "Observatorio Metropolitano CentroGeo", 
            
74
    "type": "organization"
74
    "type": "organization"
            
75
  }, 
75
  }, 
            
76
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
76
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
77
  "private": false, 
77
  "private": false, 
            
78
  "relationships_as_object": [], 
78
  "relationships_as_object": [], 
            
79
  "relationships_as_subject": [], 
79
  "relationships_as_subject": [], 
            
t
80
  "resources": [], 
t
80
  "resources": [
            
81
    {
            
82
      "cache_last_updated": null, 
            
83
      "cache_url": null, 
            
84
      "created": "2025-10-11T01:23:59.911749", 
            
85
      "datastore_active": false, 
            
86
      "description": "The performance of deep neural networks, such as 
            
87
Deep Belief Networks formed by Restricted Boltzmann Machines (RBMs), 
            
88
strongly depends on their training, which is the process of adjusting 
            
89
their parameters. This process can be posed as an optimization problem 
            
90
over n dimensions. However, typical networks contain tens of thousands 
            
91
of parameters, making this a High-Dimensional Problem (HDP). Although 
            
92
different optimization methods have been employed for this goal, the 
            
93
use of most of the Evolutionary Algorithms (EAs) becomes prohibitive 
            
94
due to their inability to deal with HDPs. For instance, the Covariance 
            
95
Matrix Adaptation Evolutionary Strategy (CMA-ES) which is regarded as 
            
96
one of the most effective EAs, exhibits the enormous disadvantage of 
            
97
requiring $O(n^2)$ memory and operations, making it unpractical for 
            
98
problems with more than a few hundred variables. In this paper, we 
            
99
introduce a novel EA that requires $O(n)$ operations and memory, but 
            
100
delivers competitive solutions for the training stage of RBMs with 
            
101
over one million variables, when compared against CMA-ES and the 
            
102
Contrastive Divergence algorithm, which is the standard method for 
            
103
training RBMs.", 
            
104
      "format": "HTML", 
            
105
      "hash": "", 
            
106
      "id": "899f557c-824c-4eba-a676-23c0c105b20c", 
            
107
      "last_modified": null, 
            
108
      "metadata_modified": "2025-10-11T01:23:59.883047", 
            
109
      "mimetype": null, 
            
110
      "mimetype_inner": null, 
            
111
      "name": "An evolutionary algorithm of linear complexity: 
            
112
application to training of deep neural networks", 
            
113
      "package_id": "a5a7eb6d-e5e8-4e67-8260-b98accfbb5ec", 
            
114
      "position": 0, 
            
115
      "resource_type": null, 
            
116
      "size": null, 
            
117
      "state": "active", 
            
118
      "url": "https://doi.org/10.1155/2019/2952304", 
            
119
      "url_type": null
            
120
    }
            
121
  ], 
            
81
  "state": "active", 
122
  "state": "active", 
            
82
  "tags": [
123
  "tags": [
            
83
    {
124
    {
            
84
      "display_name": "algorithm", 
125
      "display_name": "algorithm", 
            
85
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
126
      "id": "da224d7c-d794-48c8-8316-05d6b5fdc51c", 
            
86
      "name": "algorithm", 
127
      "name": "algorithm", 
            
87
      "state": "active", 
128
      "state": "active", 
            
88
      "vocabulary_id": null
129
      "vocabulary_id": null
            
89
    }, 
130
    }, 
            
90
    {
131
    {
            
91
      "display_name": "artificial-intelligence", 
132
      "display_name": "artificial-intelligence", 
            
92
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
133
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
            
93
      "name": "artificial-intelligence", 
134
      "name": "artificial-intelligence", 
            
94
      "state": "active", 
135
      "state": "active", 
            
95
      "vocabulary_id": null
136
      "vocabulary_id": null
            
96
    }, 
137
    }, 
            
97
    {
138
    {
            
98
      "display_name": "artificial-neural-network", 
139
      "display_name": "artificial-neural-network", 
            
99
      "id": "d63d29ea-7b70-4ed5-83cc-66f3b9586c1c", 
140
      "id": "d63d29ea-7b70-4ed5-83cc-66f3b9586c1c", 
            
100
      "name": "artificial-neural-network", 
141
      "name": "artificial-neural-network", 
            
101
      "state": "active", 
142
      "state": "active", 
            
102
      "vocabulary_id": null
143
      "vocabulary_id": null
            
103
    }, 
144
    }, 
            
104
    {
145
    {
            
105
      "display_name": "boltzmann-machine", 
146
      "display_name": "boltzmann-machine", 
            
106
      "id": "5eee20bd-596c-4b7f-a187-efb2a9478358", 
147
      "id": "5eee20bd-596c-4b7f-a187-efb2a9478358", 
            
107
      "name": "boltzmann-machine", 
148
      "name": "boltzmann-machine", 
            
108
      "state": "active", 
149
      "state": "active", 
            
109
      "vocabulary_id": null
150
      "vocabulary_id": null
            
110
    }, 
151
    }, 
            
111
    {
152
    {
            
112
      "display_name": "cma-es", 
153
      "display_name": "cma-es", 
            
113
      "id": "352ed64b-c0c4-4780-a4f1-871f7df7691f", 
154
      "id": "352ed64b-c0c4-4780-a4f1-871f7df7691f", 
            
114
      "name": "cma-es", 
155
      "name": "cma-es", 
            
115
      "state": "active", 
156
      "state": "active", 
            
116
      "vocabulary_id": null
157
      "vocabulary_id": null
            
117
    }, 
158
    }, 
            
118
    {
159
    {
            
119
      "display_name": "computer-science", 
160
      "display_name": "computer-science", 
            
120
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
161
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
121
      "name": "computer-science", 
162
      "name": "computer-science", 
            
122
      "state": "active", 
163
      "state": "active", 
            
123
      "vocabulary_id": null
164
      "vocabulary_id": null
            
124
    }, 
165
    }, 
            
125
    {
166
    {
            
126
      "display_name": "deep-neural-networks", 
167
      "display_name": "deep-neural-networks", 
            
127
      "id": "4f23ca30-4b12-401d-a93c-958cf047df6e", 
168
      "id": "4f23ca30-4b12-401d-a93c-958cf047df6e", 
            
128
      "name": "deep-neural-networks", 
169
      "name": "deep-neural-networks", 
            
129
      "state": "active", 
170
      "state": "active", 
            
130
      "vocabulary_id": null
171
      "vocabulary_id": null
            
131
    }, 
172
    }, 
            
132
    {
173
    {
            
133
      "display_name": "divergence-linguistics", 
174
      "display_name": "divergence-linguistics", 
            
134
      "id": "34d5602a-4b6e-464f-bc6e-c6636fc7cc58", 
175
      "id": "34d5602a-4b6e-464f-bc6e-c6636fc7cc58", 
            
135
      "name": "divergence-linguistics", 
176
      "name": "divergence-linguistics", 
            
136
      "state": "active", 
177
      "state": "active", 
            
137
      "vocabulary_id": null
178
      "vocabulary_id": null
            
138
    }, 
179
    }, 
            
139
    {
180
    {
            
140
      "display_name": "evolution-strategy", 
181
      "display_name": "evolution-strategy", 
            
141
      "id": "836dbf9c-a84f-424f-8df2-441a41df838c", 
182
      "id": "836dbf9c-a84f-424f-8df2-441a41df838c", 
            
142
      "name": "evolution-strategy", 
183
      "name": "evolution-strategy", 
            
143
      "state": "active", 
184
      "state": "active", 
            
144
      "vocabulary_id": null
185
      "vocabulary_id": null
            
145
    }, 
186
    }, 
            
146
    {
187
    {
            
147
      "display_name": "evolutionary-algorithm", 
188
      "display_name": "evolutionary-algorithm", 
            
148
      "id": "22db3110-8a27-435b-8d9a-c910fe7201ca", 
189
      "id": "22db3110-8a27-435b-8d9a-c910fe7201ca", 
            
149
      "name": "evolutionary-algorithm", 
190
      "name": "evolutionary-algorithm", 
            
150
      "state": "active", 
191
      "state": "active", 
            
151
      "vocabulary_id": null
192
      "vocabulary_id": null
            
152
    }, 
193
    }, 
            
153
    {
194
    {
            
154
      "display_name": "machine-learning", 
195
      "display_name": "machine-learning", 
            
155
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
196
      "id": "99557dd8-2914-4e28-8278-7a042cfb23d0", 
            
156
      "name": "machine-learning", 
197
      "name": "machine-learning", 
            
157
      "state": "active", 
198
      "state": "active", 
            
158
      "vocabulary_id": null
199
      "vocabulary_id": null
            
159
    }, 
200
    }, 
            
160
    {
201
    {
            
161
      "display_name": "mathematical-optimization", 
202
      "display_name": "mathematical-optimization", 
            
162
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
203
      "id": "b33a86ee-df39-4619-8165-c8d73afbf5a4", 
            
163
      "name": "mathematical-optimization", 
204
      "name": "mathematical-optimization", 
            
164
      "state": "active", 
205
      "state": "active", 
            
165
      "vocabulary_id": null
206
      "vocabulary_id": null
            
166
    }, 
207
    }, 
            
167
    {
208
    {
            
168
      "display_name": "process-computing", 
209
      "display_name": "process-computing", 
            
169
      "id": "d07d93c6-53f7-48a4-bded-e205ec0bc2c2", 
210
      "id": "d07d93c6-53f7-48a4-bded-e205ec0bc2c2", 
            
170
      "name": "process-computing", 
211
      "name": "process-computing", 
            
171
      "state": "active", 
212
      "state": "active", 
            
172
      "vocabulary_id": null
213
      "vocabulary_id": null
            
173
    }
214
    }
            
174
  ], 
215
  ], 
            
175
  "title": "An evolutionary algorithm of linear complexity: 
216
  "title": "An evolutionary algorithm of linear complexity: 
            
176
application to training of deep neural networks", 
217
application to training of deep neural networks", 
            
177
  "type": "dataset", 
218
  "type": "dataset", 
            
178
  "url": "https://doi.org/10.1155/2019/2952304", 
219
  "url": "https://doi.org/10.1155/2019/2952304", 
            
179
  "version": null
220
  "version": null
            
180
}
221
}