Поиск по сайту
Вход Регистрация
Х
Логин
Пароль

Забыли пароль?
Войти через:
Об изданииНаши проектыКонтактыОформить подпискуМЕДИАпланёрка

Информационно-аналитический журнал

Новости образовательных организаций. Аналитические материалы. Мнение экспертов.
Читайте нас в
социальных сетях
ВУЗы
НовостиВузыБолонский процессНегосударственное образованиеФГОС-3УМОФедеральные вузыВнеучебная работа
Образование в России
ШколаСПОДПОЗаконодательствоРегионыМеждународное сотрудничествоОтраслевое образованиеСтуденчество
Качество образования
АккредитацияРейтингиТехнологии образованияМеждународный опыт
Рынок труда
АнализРаботодателиТрудоустройство
Наука
Молодые ученыеТехнологииКонкурсы
Вебинары
Март 2016Май 2016Сентябрь 2016
Партнёры

Российские ученые улучшили метод глубокого обучения нейросетей

В Институте интеллектуальных кибернетических систем НИЯУ МИФИ предложили новый метод для обучения ограниченной машины Больцмана (вид нейросети), позволяющий оптимизировать процессы семантического кодирования, визуализации и распознавания данных.

Просмотров: 6

В Институте интеллектуальных кибернетических систем НИЯУ МИФИ предложили новый метод для обучения ограниченной машины Больцмана (вид нейросети), позволяющий оптимизировать процессы семантического кодирования, визуализации и распознавания данных. Результаты исследования опубликованы в журнале «Optical Memoryand Neural Networks».

В настоящее время большую популярность приобретает изучение глубоких нейронных сетей различной архитектуры: сверточных, рекуррентных, автоэнкодерных. Ряд высокотехнологичных компаний, среди которых – Microsoft и Google, используют глубокие нейронные сети для проектирования различных интеллектуальных систем. Вместе с глубокими нейронными сетями приобрел популярность термин «глубокое» обучение.

В системах глубокого обучения автоматизируется сам процесс выбора и настройки признаков. То есть, сеть самостоятельно определяет и использует наиболее эффективные алгоритмы для иерархического извлечения признаков. Для метода глубокого обучения характерно обучение на больших выборках при помощи единого оптимизационного алгоритма. Типичные алгоритмы оптимизации настраивают параметры всех операций одновременно и эффективно оценивают влияние каждого параметра нейросети на ошибку с помощью так называемого метода обратного распространения.

«Способность искусственных нейронных сетей обучаться является наиболее интригующим их свойством. Подобно биологическим системам, нейронные сети сами моделируют себя, стремясь достичь лучшей модели поведения», — отметил профессор Института кибернетических систем НИЯУ МИФИ Владимир Головко.

Прорыв в обучении нейросетей произошел в 2006 году, после научной публикации Джеффри Хинтона с описанием техники предварительной тренировки нейросети. В статье говорилось, что можно эффективно предобучать многослойную нейронную сеть, если обучать каждый слой отдельно при помощи ограниченной машины Больцмана, а затем дообучать методом обратного распространения ошибки. Эти сети получили название нейронных сетей глубокого доверия (Deep Belief Networks, DBN).

Профессор ИИКС НИЯУ МИФИ Владимир Головко проанализировал проблематику и основные парадигмы глубокого машинного обучения, предложив новый метод для обучения ограниченной машины Больцмана. Ученый показал, что классическое правило обучения этой нейросети является частным случаем предложенного им метода.

«Американские ученые Минский и Пейперт в свое время выявили, что однослойный персептрон с пороговой функцией активации формирует линейную разделяющую поверхность с точки зрения классификации образов и поэтому не может решить задачу «исключающее или». Это провоцировало пессимистические выводы насчет дальнейшего развития нейронных сетей. Однако последнее утверждение справедливо только для однослойного персептрона с пороговой или монотонной непрерывной функцией активации – например, сигмоидной. При использовании сигнальной функции активации однослойный персептрон может решить задачу «исключающее или», так как он разбивает входное пространство образов на классы при помощи двух прямых», – рассказал Владимир Головко.

В работе также были проанализированы перспективы применения глубоких нейронных сетей для сжатия, визуализации и распознавания данных. Кроме того, Головко предложил подход к реализации семантического кодирования (хеширования) с помощью глубоких автоассоциативных нейронных сетей. Этот метод глубокого обучения может быть очень полезен в поисковиках для нейросетей, которые, по утверждению автора, будут показывать высокую скорость поиска релевантных изображений.

Практическую ценность данных научных разработок сложно переоценить: они уже нашли применение в таких областях, как компьютерное зрение, распознавание речи и биоинформатика.

Ссылка на оригинал статьи

Нашли ошибку на сайте? Выделите фрагмент текста и нажмите ctrl+enter

Теги: МИФИ, технологии

Похожие материалы:
Содружество Приборостроительного завода и Трехгорного технологического института
Первый эксперимент на установке МАВР
Совместный проект «ДИОР» объединит усилия НИЯУ МИФИ и Университета ИТМО
Нейросеть обучили определять пол человека по написанному тексту
ICPPA-2018: хороший старт для молодых учёных
Фотоника и бионанотехнологии – новые направления развития для НИЯУ МИФИ
Будущее атомной энергетики – AtomFuture 2018 в Обнинске
Студент ВИТИ НИЯУ МИФИ стал победителем выставки проектов на кубке Клуба робототехники
Пионер нанотехнологий включил студентов МИФИ в разработку «умных» лекарств
МКС и коллайдер: Нобелевский лауреат Тинг рассказал о своих экспериментах

При использовании любых материалов сайта akvobr.ru необходимо поставить гиперссылку на источник

Комментарии пользователей: 0 Оставить комментарий
Эту статью ещё никто не успел прокомментировать. Хотите стать первым?
Читайте в новом номере«Аккредитация в образовании»
№ 5 (105) 2018

Что день грядущий нам готовит? Как следует из доклада об основных направлениях деятельности Правительства РФ до 2024 года – вхождение России в число пяти крупнейших экономик мира. В отношении науки и образования планы не менее масштабные: ускорение темпов научно-технологического развития должно обеспечить стране место среди пяти ведущих мировых держав, а эффективная образовательная политика – удовлетворить спрос стратегически важных отраслей в высококвалифицированных кадрах. Об этом и других сценариях будущего читайте в новом номере «АО». А еще мы открываем новую рубрику. Пропустить невозможно!
Анонс журнала

Партнеры
Популярные статьи
I Всероссийский форум для руководителей государственных и частных колледжей ProFuture’19
Ключевые темы форума: управление и оптимизация процессов СПО, маркетинг и эффективные инструменты...
Трудоустройство иностранных студентов – атрибут позиционирования на международном рынке образовательных услуг
Проведенные в зарубежных странах исследования факторов выбора иностранными студентами страны и...
Подтверждая высокий статус российской музыкальной школы
Российская академия музыки имени Гнесиных была первым российским вузом, прошедшим не только...
Научно-образовательный центр Республики Дагестан
Дагестанский государственный университет народного хозяйства – крупный региональный научно-...
В СФУ пройдёт конференция по информатизации образования
24–27 сентября 2019 года в Институте космических и информационных технологий СФУ пройдёт III...
Из журнала
#100Новости образования «АО-100»
#96Опыт Японии в привлечении иностранных студентов
#97Интеграция основного и дополнительного образования в Северо-Кавказском филиале МТУСИ
#99Система образования созрела для высокотехнологичных изменений
#102Ленинградский областной колледж культуры и искусства отметил восьмидесятилетие
Информационная лента
09:23Будущий энергетик разрабатывает универсальный термос на элементах Пельтье
09:12В СФУ пройдут дни российской науки «Университеты Енисейской Сибири»
09:11ТИУ начинает дистанционную подготовку инженеров-строителей
09:08ЮУрГУ будет готовить специалистов в сфере международной политики
09:05Якутия станет участником инициативы «Кадры будущего для регионов»