Multi-objective Evolutionary Optimization of Neural Networks for Virtual Reality Visual Data Mining: Application to Hydrochemistry

• Main Authors: Valdés, Julio, Barton, Alan
• Format: Article in Journal/Newspaper
• Language: English
• Published: 2007
• Subjects: Arctic
• Online Access: https://nrc-publications.canada.ca/eng/view/accepted/?id=03d3a799-fc27-4919-828b-9078809b0199; https://nrc-publications.canada.ca/eng/view/object/?id=03d3a799-fc27-4919-828b-9078809b0199; https://nrc-publications.canada.ca/fra/voir/objet/?id=03d3a799-fc27-4919-828b-9078809b0199

A method for the construction of Virtual Reality spaces for visual data mining using multi-objective optimization with genetic algorithms on neural networks is presented. Two neural network layers (output and last hidden) are used for the construction of simultaneous solutions for: a supervised classification of data patterns and the computation of two unsupervised similarity structure preservation measures between the original data matrix and its image in the new space. A set of spaces is constructed from selected solutions along the Pareto front which enables the understanding of the internal properties of the data based on visual inspection of non-dominating spaces with different properties. This strategy represents a conceptual improvement over spaces computed by single-objective optimization. The presented approach is domain independent and is illustrated with an application to the study of hydrochemical properties of ice and water samples from the Arctic. L'article présente une méthode de construction d'espaces de réalité virtuelle pour l'exploration visuelle des données, au moyen de l'optimisation multiobjectif, avec des algorithmes génétiques appliqués à des réseaux neuronaux. On emploie deux couches de réseaux neuronaux (sortie et dernier caché) afin de construire des solutions simultanées pour : la classification supervisée des motifs de données et le calcul de deux mesures de préservation non supervisée de la structure de similarité entre la matrice de données originale et son image dans le nouvel espace. Un ensemble d'espaces sont construits à partir de solutions sélectionnées le long du front de Pareto, permettant de comprendre les propriétés internes des données, au moyen de l'inspection visuelle des espaces non dominants ayant des propriétés différentes. Cette stratégie représente une amélioration conceptuelle par rapport aux espaces calculés par la méthode d'optimisation mono-objectif. L'approche présentée est indépendante du domaine et elle est illustrée par une application de l'étude des propriétés hydrochimiques d'échantillons de glace et d'eau de l'Arctique. NRC publication: Yes