Интернет конференция по проблемам теории и практики управленияНазвание: Интеграция метода Монте-Карло и регуляризации в обучение интервальных сверточных нейронных сетей
Автор: Артем Павлович Гонец
Соавторы:
Сараев Павел Викторович, доцент, д.т.н.
Аннотация:
Данная работа посвящена решению проблемы обработки изображений, характеризующихся интервальной неопределенностью, которая возникает на этапах сбора или преобразования данных и выражается в интервализации значений пикселей. В качестве эффективного решения по вычислительным ресурсам относительно баейсовских методов рассматриваются интервальные нейронные сети. Существует проблема избыточного расширения границ интервалов в процессе обучения и низкой гарантированности достоверного решения. Цель исследования заключается в повышении качества обучения интервальных сверточных нейронной сетей. Для достижения этой цели предлагается интеграция методов Монте-Карло и регуляризации. В работе формализованы принципы построения интервальных сверточных нейронных сетей, включая реализацию операций свертки, подвыборки, функций активаций, полносвязных слоев. Применение метода Монте-Карло позволяет повысить точность обучения, а предложенная функция регуляризации способствует контролируемому сужению результирующих интервалов, предотвращая переобучение модели. Качество разработанного подхода подтверждена вычислительными экспериментами на наборе изображений с внесенной интервальной неопределенностью. Полученные результаты демонстрируют, что предложенная комбинация методов обеспечивает формирование более узких и информативных интервалов предсказания по сравнению с базовыми интервальными моделями. Работа вносит вклад в развитие методов интервального анализа в глубоком обучении и подтверждает перспективность подобных решения для задач с неопределенностью.
Ключевые слова:
компьютерное зрение, интервальные сверточные
нейронные сети, метод Монте-Карло, регуляризация
Автор: Артем Павлович Гонец
Соавторы:
Сараев Павел Викторович, доцент, д.т.н.
Аннотация:
Данная работа посвящена решению проблемы обработки изображений, характеризующихся интервальной неопределенностью, которая возникает на этапах сбора или преобразования данных и выражается в интервализации значений пикселей. В качестве эффективного решения по вычислительным ресурсам относительно баейсовских методов рассматриваются интервальные нейронные сети. Существует проблема избыточного расширения границ интервалов в процессе обучения и низкой гарантированности достоверного решения. Цель исследования заключается в повышении качества обучения интервальных сверточных нейронной сетей. Для достижения этой цели предлагается интеграция методов Монте-Карло и регуляризации. В работе формализованы принципы построения интервальных сверточных нейронных сетей, включая реализацию операций свертки, подвыборки, функций активаций, полносвязных слоев. Применение метода Монте-Карло позволяет повысить точность обучения, а предложенная функция регуляризации способствует контролируемому сужению результирующих интервалов, предотвращая переобучение модели. Качество разработанного подхода подтверждена вычислительными экспериментами на наборе изображений с внесенной интервальной неопределенностью. Полученные результаты демонстрируют, что предложенная комбинация методов обеспечивает формирование более узких и информативных интервалов предсказания по сравнению с базовыми интервальными моделями. Работа вносит вклад в развитие методов интервального анализа в глубоком обучении и подтверждает перспективность подобных решения для задач с неопределенностью.
Ключевые слова:
компьютерное зрение, интервальные сверточные
нейронные сети, метод Монте-Карло, регуляризация