Уважаемые коллеги, доброго времени суток! Представляем вам сингапурское научное издание International Journal of Neural Systems. Журнал имеет первый квартиль, издается в World Scientific Publishing Co. Pte Ltd., его SJR за 2020 г. равен 1,376, импакт-фактор - 5,866, печатный ISSN - 0129-0657, электронный - 1793-6462, предметные области - Компьютерные сети и коммуникации, Общие вопросы медицины. Вот так выглядит обложка:
Редактором является Хоят Адели, контактные данные - adeli.1@osu.edu
Это ежемесячный рецензируемый междисциплинарный журнал, посвященный обработке информации в естественных и искусственных нейронных системах. Предметом особых интересов являются машинное обучение, вычислительная нейробиология и неврология, а также инновационные и высокоэффективные материалы, которые охватывают множество областей, включая неврологию, компьютерные науки и технику. Авторам настоятельно рекомендуется ознакомиться с последними выпусками журнала перед отправкой. Журнал представляет свежее, недогматичное отношение к данной междисциплинарной области, стремясь стать форумом для новых идей и лучшего понимания коллективных и кооперативных явлений в системах с вычислительными возможностями.
Адрес издания - https://www.worldscientific.com/page/ijns/editorial-board
Пример статьи, название - A Multi-Objective Evolutionary Approach Based on Graph-in-Graph for Neural Architecture Search of Convolutional Neural Networks. Заголовок (Abstract) - With the development of deep learning, the design of an appropriate network structure becomes fundamental. In recent years, the successful practice of Neural Architecture Search (NAS) has indicated that an automated design of the network structure can efficiently replace the design performed by human experts. Most NAS algorithms make the assumption that the overall structure of the network is linear and focus solely on accuracy to assess the performance of candidate networks. This paper introduces a novel NAS algorithm based on a multi-objective modeling of the network design problem to design accurate Convolutional Neural Networks (CNNs) with a small structure. The proposed algorithm makes use of a graph-based representation of the solutions which enables a high flexibility in the automatic design. Furthermore, the proposed algorithm includes novel ad-hoc crossover and mutation operators. We also propose a mechanism to accelerate the evaluation of the candidate solutions. Experimental results demonstrate that the proposed NAS approach can design accurate neural networks with limited size. Keywords: Deep learning; neural architecture search; multi-objective optimization; genetic algorithm
