Система навчання нейронних мереж на основі блочної еволюції зростаючих капсульних топологій

Скорочена інформація про документ
dc.contributor.advisorСтіренко, Сергій Григорович
dc.contributor.authorОлексієнко, Ілля Вадимович
dc.date.accessioned2020-01-16T08:46:07Z
dc.date.available2020-01-16T08:46:07Z
dc.date.issued2019
dc.description.abstractenStructure 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.abstractukСтруктура 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.page103 с.uk
dc.identifier.citationОлексієнко, 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.urihttps://ela.kpi.ua/handle/123456789/30863
dc.language.isoukuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.subjectштучні нейронні мережіuk
dc.subjectгенетичний алгоритмuk
dc.subjectнейроеволюціяuk
dc.subjectавтоматичний пошук архітектури нейронної мережіuk
dc.subjectатака чорної коробкиuk
dc.subjectгаусівський шумuk
dc.subjectмашинне навчанняuk
dc.subjectartificial neural networksuk
dc.subjectgenetic algorithmuk
dc.subjectneuroevolutionuk
dc.subjectautomatic search for neural network architectureuk
dc.subjectblack box attackuk
dc.subjectGaussian noiseuk
dc.subjectmachine learninguk
dc.subject.udc004.855.5uk
dc.titleСистема навчання нейронних мереж на основі блочної еволюції зростаючих капсульних топологійuk
dc.typeMaster Thesisuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
Oleksienko_magistr.docx
Розмір:
2.38 MB
Формат:
Microsoft Word XML
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.06 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Магістерські роботи (ОТ)
Магістерські роботи