CC BY
3Секция 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.
