Cambios

              
    

          
          
        
        

            
f
1
{
f
1
{
            
2
  "author": "S Espinoza-P\u00e9rez, A Rojas-Dom\u00ednguez, SI Valdez, 
2
  "author": "S Espinoza-P\u00e9rez, A Rojas-Dom\u00ednguez, SI Valdez, 
            
3
LE Mancilla-Espinoza", 
3
LE Mancilla-Espinoza", 
            
4
  "author_email": null, 
4
  "author_email": null, 
            
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
5
  "creator_user_id": "a3da3ec9-3fd4-47a4-8d04-0a90b09614e0", 
            
6
  "extras": [
6
  "extras": [
            
7
    {
7
    {
            
8
      "key": "Publicaci\u00f3n", 
8
      "key": "Publicaci\u00f3n", 
            
9
      "value": "Revista"
9
      "value": "Revista"
            
10
    }, 
10
    }, 
            
11
    {
11
    {
            
12
      "key": "Tipo", 
12
      "key": "Tipo", 
            
13
      "value": "Publicaci\u00f3n"
13
      "value": "Publicaci\u00f3n"
            
14
    }
14
    }
            
15
  ], 
15
  ], 
            
16
  "groups": [
16
  "groups": [
            
17
    {
17
    {
            
18
      "description": "Este grupo integra las publicaciones 
18
      "description": "Este grupo integra las publicaciones 
            
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
19
acad\u00e9micas derivadas de los proyectos de investigaci\u00f3n del 
            
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
20
Observatorio Metropolitano CentroGeo. Incluye art\u00edculos 
            
21
presentados en congresos nacionales e internacionales, manuscritos en 
21
presentados en congresos nacionales e internacionales, manuscritos en 
            
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
22
formato preprint, cap\u00edtulos de libro y trabajos publicados en 
            
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
23
revistas cient\u00edficas especializadas. Estos materiales reflejan la 
            
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
24
labor de investigaci\u00f3n, desarrollo metodol\u00f3gico y 
            
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
25
an\u00e1lisis territorial del observatorio, contribuyendo al avance 
            
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
26
del conocimiento en temas urbanos, metropolitanos y geoespaciales.", 
            
27
      "display_name": "Publicaciones", 
27
      "display_name": "Publicaciones", 
            
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
28
      "id": "a15a6b77-ddf5-4594-acab-7e772938a5b0", 
            
29
      "image_display_url": "", 
29
      "image_display_url": "", 
            
30
      "name": "publicaciones", 
30
      "name": "publicaciones", 
            
31
      "title": "Publicaciones"
31
      "title": "Publicaciones"
            
32
    }
32
    }
            
33
  ], 
33
  ], 
            
34
  "id": "bc86979a-4217-4811-8be8-483e9532d36c", 
34
  "id": "bc86979a-4217-4811-8be8-483e9532d36c", 
            
35
  "isopen": false, 
35
  "isopen": false, 
            
36
  "license_id": null, 
36
  "license_id": null, 
            
37
  "license_title": null, 
37
  "license_title": null, 
            
38
  "maintainer": null, 
38
  "maintainer": null, 
            
39
  "maintainer_email": null, 
39
  "maintainer_email": null, 
            
40
  "metadata_created": "2025-10-11T01:24:03.008052", 
40
  "metadata_created": "2025-10-11T01:24:03.008052", 
            
n
41
  "metadata_modified": "2025-10-11T01:24:03.008064", 
n
41
  "metadata_modified": "2025-10-11T01:24:03.629372", 
            
42
  "name": 
42
  "name": 
            
43
-deep-belief-networks-for-handwritten-digit-recognition-53bb7da3ac24", 
43
-deep-belief-networks-for-handwritten-digit-recognition-53bb7da3ac24", 
            
44
  "notes": "Two of the most representative deep architectures are Deep 
44
  "notes": "Two of the most representative deep architectures are Deep 
            
45
Convolutional Neural Networks and Deep Belief Networks (DBNs).Both of 
45
Convolutional Neural Networks and Deep Belief Networks (DBNs).Both of 
            
46
these can be applied to the problem of pattern 
46
these can be applied to the problem of pattern 
            
47
classification.Nevertheless, they differ in the training method: while 
47
classification.Nevertheless, they differ in the training method: while 
            
48
the first is trained by backpropagation of the error through the whole 
48
the first is trained by backpropagation of the error through the whole 
            
49
network, the latter is typically pre-trained on a per-layer basis 
49
network, the latter is typically pre-trained on a per-layer basis 
            
50
using an unsupervised algorithm known as Contrastive Divergence (CD), 
50
using an unsupervised algorithm known as Contrastive Divergence (CD), 
            
51
and then it is fine-tuned with a gradient descent algorithm.Although 
51
and then it is fine-tuned with a gradient descent algorithm.Although 
            
52
metaheuristic algorithms have been widely applied for hyperparameter 
52
metaheuristic algorithms have been widely applied for hyperparameter 
            
53
tuning, little has been published regarding alternative methods to 
53
tuning, little has been published regarding alternative methods to 
            
54
pre-train DBNs.In this work, we substitute the conventional 
54
pre-train DBNs.In this work, we substitute the conventional 
            
55
pre-training method with an evolutionary optimization algorithm called 
55
pre-training method with an evolutionary optimization algorithm called 
            
56
the Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES).The 
56
the Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES).The 
            
57
pretraining is achieved by minimizing the so-called reconstruction 
57
pretraining is achieved by minimizing the so-called reconstruction 
            
58
error.This proposal is validated on the problem of MNIST digit 
58
error.This proposal is validated on the problem of MNIST digit 
            
59
recognition by training a Deep Belief Network, following the 
59
recognition by training a Deep Belief Network, following the 
            
60
methodology described by Hinton and Salakhutdinov (Science, 2006).It 
60
methodology described by Hinton and Salakhutdinov (Science, 2006).It 
            
61
is also compared against the well known Genetic Algorithm (GA).We 
61
is also compared against the well known Genetic Algorithm (GA).We 
            
62
provide evidence to show that, although the computational cost is 
62
provide evidence to show that, although the computational cost is 
            
63
significantly highern than CD, the use of CMA-ES leads to a 
63
significantly highern than CD, the use of CMA-ES leads to a 
            
64
significantly smaller reconstruction error than CD and the GA.", 
64
significantly smaller reconstruction error than CD and the GA.", 
            
n
65
  "num_resources": 0, 
n
65
  "num_resources": 1, 
            
66
  "num_tags": 6, 
66
  "num_tags": 6, 
            
67
  "organization": {
67
  "organization": {
            
68
    "approval_status": "approved", 
68
    "approval_status": "approved", 
            
69
    "created": "2022-05-19T00:10:30.480393", 
69
    "created": "2022-05-19T00:10:30.480393", 
            
70
    "description": "Observatorio Metropolitano CentroGeo", 
70
    "description": "Observatorio Metropolitano CentroGeo", 
            
71
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
71
    "id": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
72
    "image_url": 
72
    "image_url": 
            
73
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
73
"2022-05-19-001030.456616FullColor1280x1024LogoOnly.png", 
            
74
    "is_organization": true, 
74
    "is_organization": true, 
            
75
    "name": "observatorio-metropolitano-centrogeo", 
75
    "name": "observatorio-metropolitano-centrogeo", 
            
76
    "state": "active", 
76
    "state": "active", 
            
77
    "title": "Observatorio Metropolitano CentroGeo", 
77
    "title": "Observatorio Metropolitano CentroGeo", 
            
78
    "type": "organization"
78
    "type": "organization"
            
79
  }, 
79
  }, 
            
80
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
80
  "owner_org": "b3b3a79d-748a-4464-9471-732b6c74ec53", 
            
81
  "private": false, 
81
  "private": false, 
            
82
  "relationships_as_object": [], 
82
  "relationships_as_object": [], 
            
83
  "relationships_as_subject": [], 
83
  "relationships_as_subject": [], 
            
t
84
  "resources": [], 
t
84
  "resources": [
            
85
    {
            
86
      "cache_last_updated": null, 
            
87
      "cache_url": null, 
            
88
      "created": "2025-10-11T01:24:03.670887", 
            
89
      "datastore_active": false, 
            
90
      "description": "Two of the most representative deep 
            
91
architectures are Deep Convolutional Neural Networks and Deep Belief 
            
92
Networks (DBNs).Both of these can be applied to the problem of pattern 
            
93
classification.Nevertheless, they differ in the training method: while 
            
94
the first is trained by backpropagation of the error through the whole 
            
95
network, the latter is typically pre-trained on a per-layer basis 
            
96
using an unsupervised algorithm known as Contrastive Divergence (CD), 
            
97
and then it is fine-tuned with a gradient descent algorithm.Although 
            
98
metaheuristic algorithms have been widely applied for hyperparameter 
            
99
tuning, little has been published regarding alternative methods to 
            
100
pre-train DBNs.In this work, we substitute the conventional 
            
101
pre-training method with an evolutionary optimization algorithm called 
            
102
the Covariance Matrix Adaptation Evolutionary Strategy (CMA-ES).The 
            
103
pretraining is achieved by minimizing the so-called reconstruction 
            
104
error.This proposal is validated on the problem of MNIST digit 
            
105
recognition by training a Deep Belief Network, following the 
            
106
methodology described by Hinton and Salakhutdinov (Science, 2006).It 
            
107
is also compared against the well known Genetic Algorithm (GA).We 
            
108
provide evidence to show that, although the computational cost is 
            
109
significantly highern than CD, the use of CMA-ES leads to a 
            
110
significantly smaller reconstruction error than CD and the GA.", 
            
111
      "format": "HTML", 
            
112
      "hash": "", 
            
113
      "id": "c334ad49-6be6-4517-8b25-5bc83b1f1741", 
            
114
      "last_modified": null, 
            
115
      "metadata_modified": "2025-10-11T01:24:03.634517", 
            
116
      "mimetype": null, 
            
117
      "mimetype_inner": null, 
            
118
      "name": "Evolutionary Training of Deep Belief Networks for 
            
119
Handwritten Digit Recognition", 
            
120
      "package_id": "bc86979a-4217-4811-8be8-483e9532d36c", 
            
121
      "position": 0, 
            
122
      "resource_type": null, 
            
123
      "size": null, 
            
124
      "state": "active", 
            
125
      "url": "https://doi.org/10.13053/rcs-148-3-10", 
            
126
      "url_type": null
            
127
    }
            
128
  ], 
            
85
  "state": "active", 
129
  "state": "active", 
            
86
  "tags": [
130
  "tags": [
            
87
    {
131
    {
            
88
      "display_name": "artificial-intelligence", 
132
      "display_name": "artificial-intelligence", 
            
89
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
133
      "id": "47cb06d3-c2a4-42af-b633-03eea6181083", 
            
90
      "name": "artificial-intelligence", 
134
      "name": "artificial-intelligence", 
            
91
      "state": "active", 
135
      "state": "active", 
            
92
      "vocabulary_id": null
136
      "vocabulary_id": null
            
93
    }, 
137
    }, 
            
94
    {
138
    {
            
95
      "display_name": "computer-science", 
139
      "display_name": "computer-science", 
            
96
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
140
      "id": "29cae056-cd7e-43f7-be5b-b25869a3fbf2", 
            
97
      "name": "computer-science", 
141
      "name": "computer-science", 
            
98
      "state": "active", 
142
      "state": "active", 
            
99
      "vocabulary_id": null
143
      "vocabulary_id": null
            
100
    }, 
144
    }, 
            
101
    {
145
    {
            
102
      "display_name": "digit-recognition", 
146
      "display_name": "digit-recognition", 
            
103
      "id": "0d444652-f9e4-4197-b9a3-9097b67a9b57", 
147
      "id": "0d444652-f9e4-4197-b9a3-9097b67a9b57", 
            
104
      "name": "digit-recognition", 
148
      "name": "digit-recognition", 
            
105
      "state": "active", 
149
      "state": "active", 
            
106
      "vocabulary_id": null
150
      "vocabulary_id": null
            
107
    }, 
151
    }, 
            
108
    {
152
    {
            
109
      "display_name": "numerical-digit", 
153
      "display_name": "numerical-digit", 
            
110
      "id": "d1bf41fc-f39a-4c10-b534-a3c16ac8f367", 
154
      "id": "d1bf41fc-f39a-4c10-b534-a3c16ac8f367", 
            
111
      "name": "numerical-digit", 
155
      "name": "numerical-digit", 
            
112
      "state": "active", 
156
      "state": "active", 
            
113
      "vocabulary_id": null
157
      "vocabulary_id": null
            
114
    }, 
158
    }, 
            
115
    {
159
    {
            
116
      "display_name": "speech-recognition", 
160
      "display_name": "speech-recognition", 
            
117
      "id": "5181565a-95e4-4d7c-b459-d8e5425c1ee7", 
161
      "id": "5181565a-95e4-4d7c-b459-d8e5425c1ee7", 
            
118
      "name": "speech-recognition", 
162
      "name": "speech-recognition", 
            
119
      "state": "active", 
163
      "state": "active", 
            
120
      "vocabulary_id": null
164
      "vocabulary_id": null
            
121
    }, 
165
    }, 
            
122
    {
166
    {
            
123
      "display_name": "training-meteorology", 
167
      "display_name": "training-meteorology", 
            
124
      "id": "5278a683-25af-4654-9242-1566903f1da0", 
168
      "id": "5278a683-25af-4654-9242-1566903f1da0", 
            
125
      "name": "training-meteorology", 
169
      "name": "training-meteorology", 
            
126
      "state": "active", 
170
      "state": "active", 
            
127
      "vocabulary_id": null
171
      "vocabulary_id": null
            
128
    }
172
    }
            
129
  ], 
173
  ], 
            
130
  "title": "Evolutionary Training of Deep Belief Networks for 
174
  "title": "Evolutionary Training of Deep Belief Networks for 
            
131
Handwritten Digit Recognition", 
175
Handwritten Digit Recognition", 
            
132
  "type": "dataset", 
176
  "type": "dataset", 
            
133
  "url": "https://doi.org/10.13053/rcs-148-3-10", 
177
  "url": "https://doi.org/10.13053/rcs-148-3-10", 
            
134
  "version": null
178
  "version": null
            
135
}
179
}