CC BY
9136
Методы искусственного интеллекта и машинного обучения
Динамика цели в системах искусственного интеллекта и онлайн обучение
С. В. Зуев
Белгородский государственный технологический университет им. В. Г. Шухова Крымский федеральный университет им. В. И. Вернадского Email: sergey.zuev@bk.ru DOI: 10.24412/cl-35065-2022-1-01-95
Одной из основных задач на пути к созданию сильного искусственного интеллекта является онлайн обучение: возможность изменять уже обученную модель машинного обучения прямо во время ее работы. В настоящее время эта задача является трудно решаемой, поскольку обученные модели обычно работают на машинах с малыми возможностями, не позволяющими осуществлять обучение. Даже тогда, когда вычислительное устройство позволяет менять параметры модели во время ее работы, ограничения в вычислительных ресурсах весьма существенны в силу того, что синхронизация обучения и работы модели требует вычислений в реальном времени. Математически задача онлайн обучения связана с задачей оптимизации, поставленной в несколько обобщенном плане [1]. Разработки системной динамики для частных примеров [2-4] обобщаются в настоящем докладе в математическую модель онлайн обучения, связанную с динамикой выбора цели в системе искусственного интеллекта. В частности, вводятся понятия устойчивого состояния информационной системы, интерпретируется понятие машинного обучения как процесс эволюции распределений вероятностей переходов между состояниями информационной системы. В качестве примера приложения предлагаемых моделей приводится система распознавания аномалий в видеопотоке.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (код проекта 19-29-09056).
Список литературы
1. Hazan E. Introduction to Online Convex Optimization. // Foundations and Trends in Optimization, 2015.
2. Зуев С. В. Вероятностная модель риска. // Моделирование и анализ безопасности и риска в сложных системах. Сборник статей Международной научной конференции. Под редакцией Е. Д. Соложенцева, В. В. Карасев. 2020.
3. S. Zuev, P. Kabalyants, V. Polyakov and S. Chernikov, "Fractal Neural Networks," 2021 International Conference on Electrical, Computer and Energy Technologies (ICECET), 2021. P. 1-4, DOI: 10.1109/ICECET52533.2021.9698649.
4. Зуев С. В., Кабалянц П. С., Поляков В. М. Выявление аномалий в потоке с помощью фрактальной размерности графа нейронной сети обработки данных. // Информационные системы и технологии, 5(127). 2021. С. 31-38.
Метод итерпретируемого распознавания изображений на основе комбинации сверточной сети и дерева решений
Р. М. Козинец1, В. Б. Бериков2
хНовосибирский государственный университет
2Институт математике имени С. Л. Соболева СО РАН
Email: r.kozinets@g.nsu.ru
DOI: 10.24412/cl-35065-2022-1-01-96
Сверточные нейронные сети достигли высокого качества распознавания изображений и нашли практическое применения во многих сферах, но не обладают достаточной интерпретируемостью результатов предсказания. Это является проблемой, когда специалист использует для принятия решения нейросеть и ему необходимо понимать на каких основаниях модель сделала предсказание. Целью данной работы является повышение интерпретируемости нейросети при высоком качестве распознавания.
В работе предлагается новый метод для интерпретируемого распознавания изображений. Модель объединяет в себе сверточную нейронную сеть, обучаемый "мешок" визуальных слов [1] и "мягкое"
