CC BY
12136
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 интерпретируемого распознавания изображений на основе комбинации сверточной сетии 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"
Секция 9 137
дерево решений [2]. При распознавании модель сравнивает части изображения с визуальными словами и использует степень сходства для принятия решения.
Тестирование на двух общедоступных наборах данных показало конкурентное качество распознавания метода по сравнению с классическими сверточными сетями, но с интерпретацией предсказаний.
Работа выполнена при финансовой поддержке Российского фонда фундаментальных исследований (код проекта 19-29-01175).
Список литературы
1. Chen C. et al. This looks like that: deep learning for interpretable image recognition // Advances in neural information processing systems. 2019. Т. 32.
2. Frosst N., Hinton G. Distilling a neural network into a soft decision tree // arXiv preprint arXiv:1711.09784. 2017.
Вычислительная сложность двух задач анализа данных
О. А. Кутненко
Институт математики им. С. Л. Соболева СО РАН Новосибирский государственный университет Email: olga@math.nsc.ru DOI: 10.24412/cl-35065-2022-1-01-97
Доказана NP-трудность в сильном смысле двух задач когнитивного анализа данных: задачи таксономии (кластеризации) - разбиения неклассифицированной выборки объектов на непересекающиеся подмножества, и задачи выбора подмножества типичных представителей классифицированной выборки, состоящей из объектов двух образов. Первая задача может рассматриваться как частный случай второй при условии, что один из образов состоит из единственного объекта. Для количественной оценки качества множества выбранных типичных представителей выборки используется функция конкурентного сходства - FRiS-функция (function of rival similarity) [1], с помощью которой оценивается сходство объекта с ближайшим типичным объектом. Доказательство NP-трудности выполнено сведением известной NP-пол-ной задачи о вершинном покрытии графа [2] к задаче выбора подмножества, на котором достигается согласно заданным критериям максимум оценки качества выбранных прототипов.
Работа выполнена в рамках государственного задания ИМ СО РАН (проект № FWNF-2022-0015). Список литературы
1. N. G. Zagoruiko, I.A. Borisova, V. V. Dyubanov, О. А. Kutnenko. Methods of recognition based on the function of rival similarity // Pattern Recognition and Image Anаlysis. 2008. V. 18, № 1. P. 1-6.
2. М. Гэри, Д. Джонсон. Вычислительные машины и труднорешаемые задачи. М: Мир, 1982.
Анализ эффективности методов решения задачи слабо-контролируемого обучения (в задаче классификации)
О. А. Кутненко1,2, В. Б. Бериков1,2
1Институт математики им. С. Л. Соболева СО РАН
2Новосибирский государственный университет
Email: olga@math.nsc.ru
DOI: 10.24412/cl-35065-2022-1-01-98
Задача классификации данных в постановке слабо-контролируемого обучения актуальна для многих приложений, в которых имеются большие объемы данных, полученные с помощью автоматического измерения. Разметка и анализ таких данных часто являются дополнительной высоко затратной процедурой или требуют проведения классификации на множестве прототипов, часть из которых размечена неточно. В работе рассматривается задача определения степени поражения участка головного мозга при инсульте.
