Напівкероване навчання нейронних мереж на основі графового підходу з використанням регуляризації

Скорочена інформація про документ
dc.contributor.advisorСинєглазов, Віктор Михайлович
dc.contributor.authorРучкін, Олександр Костянтинович
dc.date.accessioned2023-09-16T11:40:26Z
dc.date.available2023-09-16T11:40:26Z
dc.date.issued2023
dc.description.abstractПояснювальна записка: 135 сторінок, 32 малюнків, 49 джерел, 2 додатка. Метою кваліфікаційної роботи бакалавра – є розробка графо-орієнтованих методів напівконтрольованого навчання підвищеної точності та швидкості за допомогою застосування запропонованої модифікації методу Пуассона та за рахунок використання покращеного оптимізаційного підходу Нестерова та додаткової регуляризації. За для досягнення мети потрібно вирішити наступні задачі: Провести детальний аналіз сучасного стану напряму напівкерованого навчання на основі графів. Проаналізувати застосування варіаційного підходу у розповсюдженні міток до Лапласового та Пуассонівського навчання та застосування регуляризаційного підходу. Проаналізувати та порівняти алгоритми Лапласового та Пуассонівського навчання стосовно напівкерованого навчання на основі графів. Проаналізувати регуляризаційні підходи. Запропонувати та реалізувати модифікацію алгоритму Пуассоні-вського навчання орієнтованого на досягнення підвищеної точності та швидкості на основі оптимізаціії та застосування додаткової регуляризації. Провести тестування алгоритму та провести порівняльний аналіз існуючих та запропонованої модифікацій на штучних даних. Застосування Пуассонівського навчання з оптимізатором Нестерова та додатковим регулярізатором є новим підходом та може застосовуватися у практичних додатках, наприклад, медичних діагностичних систем. Об’єктом розробки – є алгоритмічне та програмне забезпечення графо-орієнтованого методу напівконтрольованого навчання нейромережи для підвищення точності навчання при невеликому проценті помічених вершин до непомічених даних.uk
dc.description.abstractotherThe aim of the thesis is to develop graph-based semi-supervised learning methods of increased accuracy and speed by applying the proposed modification of the Poisson method and by using the improved Nesterov optimization approach and additional L2 regularization. To achieve the goal, the following tasks need to be solved: 1. To conduct a detailed analysis of the current state of the art in the field of semi-supervised learning based on graphs. Analyze the application of the variational approach in label propagation to Laplace and Poisson learning and the application of the regularization approach. 2. Analyze and compare the Laplace and Poisson learning algorithms in relation to semi-supervised graph-based learning. Analyze regularization approaches. 3. Propose and implement your own modification of the Poisson learning algorithm focused on achieving increased accuracy and speed based on optimization algorithms and the use of additional regularization. 4. To test the algorithm and conduct a comparative analysis of existing and proposed modifications on artificial data. The object of development is the algorithmic and software of a graph-oriented method of semi-supervised neural network training to improve the accuracy of training with a small percentage of labeled vertices to unlabeled data.uk
dc.format.extent135 с.uk
dc.identifier.citationРучкін, О. К. Напівкероване навчання нейронних мереж на основі графового підходу з використанням регуляризації : дипломна робота ... бакалавра : 122 Комп'ютерні науки / Ручкін Олександр Костянтинович. – Київ, 2023. – 135 с.uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/60426
dc.language.isoukuk
dc.publisher.placeКиївuk
dc.subjectнапівкерованнне навчання нейромереж на основі графівuk
dc.subjectлапласове та пуассонове навчанняuk
dc.subjectметоди регуляризаціїuk
dc.subjectsemi-supervised learning of neural networksuk
dc.subjectsemi-supervised learning of neural networks based on graphsuk
dc.subjectlaplac and poisson learninguk
dc.subjectgradient descent methodsuk
dc.titleНапівкероване навчання нейронних мереж на основі графового підходу з використанням регуляризаціїuk
dc.typeBachelor Thesisuk

Файли

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

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи