Система навчання нейронних мереж на основі блочної еволюції зростаючих капсульних топологій
dc.contributor.advisor | Стіренко, Сергій Григорович | |
dc.contributor.author | Олексієнко, Ілля Вадимович | |
dc.date.accessioned | 2020-01-16T08:46:07Z | |
dc.date.available | 2020-01-16T08:46:07Z | |
dc.date.issued | 2019 | |
dc.description.abstracten | Structure and scope of master's thesis: master's thesis is presented on 103 pages, consists of introduction, 5 sections, conclusion, contains 33 figures, 35 tables, 16 formulas, a bibliography of 46 titles on 4 pages. Relevance of work. For visual recognition tasks, the best available today are convolutional neural networks that have been developed by leading researchers and companies around the world for many years. Although this type of neural network is highly efficient, it has serious drawbacks, such as high noise image sensitivity and lack of spatial relations between objects. There is a certain set of methods for automatic convolutional neural network architecture search that achieve the same level of accuracy as hand-made architectures, but these methods are limited only to linear architectures with one input and one output layer, making it impossible to apply them for tasks that contain data of different types. Capsule neural networks, proposed by J. E. Hinton do not have disadvantages of convolutional neural networks, but there are no methods for automatic capsule neural network architecture search. Purpose of work: to increase the security of automatically created architectures of artificial neural networks. Research tasks: 1.Analyze current training methods and types of neural networks for noise and attacks vulnerability. 2.Develop a method for automatic generating of capsule neural network architecture. 3.To conduct a comparative analysis of created architecture and modern convolutional neural networks for noise and attacks vulnerability. 4.Develop a startup project. Object of research: artificial neural networks. Subject of research: methods of automatic neural network architecture search, vulnerability of created architectures to attacks and noise, applicability of these methods to real-life tasks. Research methods: methods of statistical data processing, theory of artificial neural networks, theory of genetic algorithms. | uk |
dc.description.abstractuk | Структура i обсяг роботи: магістерська дисертація викладена на 103 cторiнкаx, cкладаєтьcя зі вступу, 5 розділів, висновку, містить 33 рисунки, 35 таблиць, 16 формул, список використаних джерел із 43 найменувань на 4 cторiнкаx. Актуальність роботи. Для задач розпізнавання візуальних образів найкращими на сьогоднішній день є згорткові нейронні мережі розробкою яких протягом багатьох років займаються провідні дослідники та компанії світу. Попри те, що цей тип нейронних мереж показує високу ефективність роботи, в нього є серйозні недоліки, а саме висока вразливість до шуму в зображенні та відсутність аналізу просторових зв’язків між об’єктами. Існує певний набір методів автоматичного пошуку архітектури згорткової нейронної мережі, які досягають такого ж рівня точності роботи, як і у створених вручну архітектур, проте дані методи обмежуються лише лінійними архітектурами із одним вхідним та одним вихідним шаром, що робить неможливим їхнє застосування для задач, які містять дані різного роду. Капсульні нейронні мережі, запропоновані Дж. Е. Гінтоном [12] не мають недоліків згорткових нейронних мереж, проте не існує методів для автоматичного пошуку архітектури капсульної нейронної мережі. Мета роботи: підвищення захищеності автоматично створених архітектур штучних нейронних мереж. Завдання досліджень: 1.Проаналізувати сучасні методи навчання та типи нейронних мереж на захищеність до шуму та атак. 2.Розробити метод генерації архітектури капсульних нейронних мереж. 3.Провести порівняльний аналіз створеної архітектури та сучасних згорткових нейронних мереж на захищеність до шуму та атак. 4.Розробити стартап-проєкт. Об’єкт дослідження: штучні нейронні мережі. Предмет дослідження: методи пошуку архітектури нейронної мережі, захищеність створених архітектур від атак та шуму, застосовність даних методів до прикладних задач. Методи дослідження: методи статистичного опрацювання даних, теорія штучних нейронних мереж, теорія генетичних алгоритмів. | uk |
dc.format.page | 103 с. | uk |
dc.identifier.citation | Олексієнко, І. В. Система навчання нейронних мереж на основі блочної еволюції зростаючих капсульних топологій : магістерська дис. : 121 Інженерія програмного забезпечення / Олексієнко Ілля Вадимович. – Київ, 2019. – 103 с. | uk |
dc.identifier.uri | https://ela.kpi.ua/handle/123456789/30863 | |
dc.language.iso | uk | uk |
dc.publisher | КПІ ім. Ігоря Сікорського | uk |
dc.publisher.place | Київ | uk |
dc.subject | штучні нейронні мережі | uk |
dc.subject | генетичний алгоритм | uk |
dc.subject | нейроеволюція | uk |
dc.subject | автоматичний пошук архітектури нейронної мережі | uk |
dc.subject | атака чорної коробки | uk |
dc.subject | гаусівський шум | uk |
dc.subject | машинне навчання | uk |
dc.subject | artificial neural networks | uk |
dc.subject | genetic algorithm | uk |
dc.subject | neuroevolution | uk |
dc.subject | automatic search for neural network architecture | uk |
dc.subject | black box attack | uk |
dc.subject | Gaussian noise | uk |
dc.subject | machine learning | uk |
dc.subject.udc | 004.855.5 | uk |
dc.title | Система навчання нейронних мереж на основі блочної еволюції зростаючих капсульних топологій | uk |
dc.type | Master Thesis | uk |
Файли
Контейнер файлів
1 - 1 з 1
Ескіз недоступний
- Назва:
- Oleksienko_magistr.docx
- Розмір:
- 2.38 MB
- Формат:
- Microsoft Word XML
- Опис:
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 9.06 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: