Поиск по сайту
О журналеПроектыОформить подпискуКонтакты

Информационно-аналитический журнал

Новости образовательных организаций. Аналитические материалы. Мнение экспертов.
Читайте нас в
социальных сетях
ВУЗы
НовостиВузыБолонский процессНегосударственное образованиеФГОСУМОФедеральные вузыВнеучебная работа
Образование в России
ШколаСПОДПОЗаконодательствоРегионыМеждународное сотрудничествоОтраслевое образованиеСтуденчество
Качество образования
АккредитацияРейтингиТехнологии образованияМеждународный опыт
Рынок труда
АнализРаботодателиТрудоустройство
Наука
Молодые ученыеТехнологииКонкурсы
Вузы России

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: 11

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:
Ученые придумали, как удешевить электронику за счет «водородных пузырей»
ICPPA-2018: хороший старт для молодых учёных
МКС и коллайдер: Нобелевский лауреат Тинг рассказал о своих экспериментах
В НИЯУ МИФИ разрабатывают инновационный материал для биоразлагаемого имплантата
В НИЯУ МИФИ открыли памятник лауреату Нобелевской премии
Нейросеть обучили определять пол человека по написанному тексту
Студент ВИТИ НИЯУ МИФИ стал победителем выставки проектов на кубке Клуба робототехники
Фотоника и бионанотехнологии – новые направления развития для НИЯУ МИФИ
Будущее атомной энергетики – AtomFuture 2018 в Обнинске
Пионер нанотехнологий включил студентов МИФИ в разработку «умных» лекарств

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»
№ 10 (110) 2019

Парадоксы – наше всё! По данным доклада Организации экономического сотрудничества и развития «Инновации в образовании: что изменилось в классе за последнее десятилетие», российское образование вошло в тройку самых инновационных среди стран-участниц ОЭСР. Между тем в результате того, что в России 98% учителей задают домашнюю работу минимум два раза в неделю, 36% старшеклассников не умеют использовать полученные знания и принимать решения. Еще больше парадоксов – в новом номере «АО».
Анонс журнала

Партнеры
Популярные статьи
Магистерская программа «Информационные и гибридные конфликты» запускается в ИОНМО СевГУ
На базе Севастопольского государственного университета впервые начинает действовать магистерская...
Исследование мерзлоты и освоение Арктики принесёт ещё множество открытий
Исследование Арктики является одной из приоритетных задач государства, Правительством РФ...
Новые материалы и технологии: российские ученые переходят на экологичное производство
Ученые Южно-Уральского государственного университета создали технологию безотходного...
Популяризируя знания о Байкале
Проект «Байкальские зарисовки», реализуемый под руководством молодого ученого ИГУ, стал призером...
Эксперт БФУ им. И. Канта рассказал о наиболее встречающихся в Калининградской области типах молний
Грозы - нередкое атмосферное явление для летнего периода в Калининградской области. Термин...
Из журнала
#104Навстречу 20-летнему юбилею Старооскольского филиала БелГУ
#102Сосновоборский механико-технологический техникум отмечает тридцатилетие
#97Приоритет Правительства РФ – цифровая экономика
#101Калининградский филиал Санкт-Петербургского ГАУ развивает практико-ориентированное образование
#102Опыт дуального обучения и перспективы его развития
Информационная лента
10:29Исследование мерзлоты и освоение Арктики принесёт ещё множество открытий
09:59Эксперт БФУ им. И. Канта рассказал о наиболее встречающихся в Калининградской области типах молний
09:51Популяризируя знания о Байкале
09:51Магистерская программа «Информационные и гибридные конфликты» запускается в ИОНМО СевГУ
09:40Новые материалы и технологии: российские ученые переходят на экологичное производство