CC BY
27
Секция «Прикладная математика»
УДК 519.85
О ПРИМЕНЕНИИ ГЕНЕТИЧЕСКИХ АЛГОРИТМОВ ДЛЯ ПОЛУАВТОМАТИЧЕСКОГО ОБУЧЕНИЯ*
М. Е. Семенкина
Сибирский государственный аэрокосмический университет имени академика М. Ф. Решетнева Российская Федерация, 660037, г. Красноярск, просп. им. газ. «Красноярский рабочий», 31
Е-mail: semenkina88@mail.ru
Выполнено исследование и сравнение эффективности генетических алгоритмов для полуавтоматического обучения нейронных сетей. Рассмотренные алгоритмы могут быть в последствии использованы при решении задач управления космическими аппаратами.
Ключевые слова: генетические алгоритмы, самоконфигурирация, полуавтоматическое обучение.
ABOUT GENETIC ALGORITHMS IMPLEMENTATION FOR SEMI-SUPERVISED LEARNING
M. E. Semenkina
Reshetnev Siberian State Aerospace University 31, Krasnoyarsky Rabochy Av., Krasnoyarsk, 660037, Russian Federation Е-mail: semenkina88@mail.ru
In this paper investigation and comparison of genetic algorithm efficiency for semi-supervised neural networks training is carried out. This algorithms can be used for solving of spacecraft's control problems.
Keywords: genetic algorithm, self-configuration, semi-supervised learning.
В современном мире, переживающем информатизацию, в большинстве случаев информация хранится в огромных базах данных. Однако использование ее в таком виде практически невозможно в связи со сложностью и трудоемкостью извлечения знаний из этих массивов сырых данных. Эффективная автоматизация извлечения знаний из баз данных существенно ускорила бы накопление знаний и развитие науки и общества в целом. Автоматическое извлечение знаний в явном виде требует применения технологий интеллектуального анализа данных. Как правило, для решения подобных задач предлагается использовать такой подход как обучение с учителем, однако, на практике наблюдается экстремально малое количество заранее классифицированных объектов (размеченных экспертами) и большое заранее неизвестное число неклассифицированных объектов. В подобных случаях эффективным является использование алгоритмов полуавтоматического обучения (semi-supervised learning) [1]. Разработка и сколь-либо приемлемое по качеству применение подобных технологий требует высокой квалификации от конечных пользователей в области интеллектуального анализа данных.
Алгоритмы эволюционного поиска способны решать задачу автоматизации проектирования интеллектуальных информационных технологий (ИИТ), таких как нейронные сети, системы на нечеткой логике, машины опорных векторов, деревья принятия решений. Однако конечный пользователь должен обладать навыками определения эффективных настроек и параметров ГА (типы селекции и рекомбинации, уровень мутации, критерий останова и т. д.). Снятие данного
*
Работа выполнена при поддержке гранта Президента Российской Федерации для государственной поддержки молодых российских ученых МК-3378.2017.9.
Актуальные проблемы авиации и космонавтики - 2017. Том 2
ограничения позволяет существенно расширить аудиторию пользователей ГА. В рамках данного исследования будут использоваться самоконфигурируемые алгоритмы [2], которые самостоятельно адаптируется под решаемую задачу, выбирают эффективные настройки и определяют параметры.
Хотя эволюционные алгоритмы хорошо зарекомендовали себя пи решении задач обучения с учителем, тем не менее, эффективность их применения для задач полуавтоматического обучения изучена слабо. В первую очередь следует рассмотреть такие подходы к полуавтоматическому обучению как самообучение (self-traning) [3] и совместное обучение (co-traning) [4]. Первый из них предусматривает повторное обучение одного классификатора, а второй использует коллективное принятие решений.
Эволюционные алгоритмы способны использовать оба подхода, так как в ходе работы генерируют множество (популяцию) классификаторов. Кроме того возможно множество подходов к тактике обучения классификаторов, например:
1. В течение 5 поколений структура нейронной сети обучается только на размеченных данных, после чего производится попытка маркировки неразмеченных данных, с некоторым уровнем доверия (confidence) к размеченным данным добавляется часть вновь промаркированных, после чего процесс обучения нейронной сети продолжается с тем же шагом (каждые 5 поколений) до выполнения критерия остановки;
2. Структура нейронной сети формируется на основе размеченных данных, после чего производится попытка маркировки неразмеченных данных, с некоторым уровнем доверия (confidence) к размеченным данным добавляется часть вновь промаркированных, на вновь полученной выборке производится до обучение весовых коэффициентов нейронной сети, после чего попытка маркировки неразмеченных данных повторяется.
Таким образом, возможно создание множества эволюционных алгоритмов полуавтоматического обучения технологий интеллектуального анализа данных, что позволяет более гибко реагировать на условия поставленной практической задачи, учитывая все требования конечного пользователя.
Результаты тестирования и апробации генетических алгоритмов для полуавтоматического генерирования нейронных сетей будут представлены в докладе.
Библиографические ссылки
1. Zhu X. Semi-supervised learning literature surve // Technical Report 1530, Computer Sciences, University of Wisconsin-Madison, 2005/9.
2. Семенкин Е. С., Семенкина М. Е. Самоконфигурируемые эволюционные алгоритмы моделирования и оптимизации : монография. Магнитогорск, 2014. 310 с.
3. Rosenberg C., Hebert M., Schneiderman H. Semi-supervised self-training of object detection model // Seventh IEEE Workshop on Applications of Computer Vision, January, 2005.
4. Blum A., Mitchell T. Combining labeled and unlabeled data with co-training // COLT' 98 Proceedings of the eleventh annual conference on Computational learning theory. 1988. Pp. 92-100.
© Семенкина М. Е., 2017
