Марченко, Олександр ІвановичКурдус, Анастасія Олександрівна2022-01-182022-01-182021Курдус, А. О. Способи розпаралелення алгоритмів класу Random Walk за допомогою фреймворків PyTorch та TensorFlow : магістерська дис. : 123 Комп’ютерна інженерія / Курдус Анастасія Олександрівна. – Київ, 2021. – 91 с.https://ela.kpi.ua/handle/123456789/45912Актуальність теми. У наш час random walks алгоритми доволі популярні і використовуються у багатьох сферах. За їх допомогою покращується точність отриманих результатів, а також швидкість роботи. Random walks алгоритми успішно застосовуються в різних областях інформатики, таких як collaborative filteringre, commender system, computer vision, network embedding, link prediction, semi-supervised learning, element distinctness. Такі алгоритми, як RWR та LRW є класичними алгоритмами групи алгоритмів random walks. Саме ці алгоритми найчастіше використовують в Computer Vision. Computer Vision - це міждисциплінарне поле, яке розглядає те, як можна створити комп'ютери, які можуть проводити стеження, виявлення та класифікацію об'єктів. Його завдання включає методи збору, обробки, аналізу та розуміння цифрових зображень та вилучення багатомірних даних із реального світу. Найбільш важливою та актуальною галуззю застосування Computer Vision є медицина. З використанням цієї технології отримують інформацію з відеоданих, аналізуючи яку, визначають діагноз пацієнта. Також технологія використовується в промисловості для виявлення дефектів кінцевого продукту. Тож, як видно з усього вищезазначеного, алгоритми групи random walks актуальні на сьогоднішній день і продовжують набирати популярність. Об’єктом дослідження є алгоритми RWR та LRW, які є класичними алгоритмами групи алгоритмів random walks та фреймворки TensorFlow та PyTorch . Предметом дослідження є алгоритми RWR та LRW, які є класичними алгоритмами групи алгоритмів random walks. Мета роботи: покращення алгоритмів RWR та LRW за допомогою використання фреймворків TensorFlow та PyTorch, а також розробка програмного забезпечення для реалізації та тестування алгоритмів. Методи дослідження. Метод оптимізації, експериментальний метод. Наукова новизна полягає в наступному: 1. Запропоновано нову реалізацію алгоритмів RWR та LRW, яка відрізняється від існуючих адаптацією під використання тензорних обчислень і створена на основі фреймворків TensorFlow та PyTorch. 2. Запропоновано спосіб ропаралелення алгоритмів RWR та LRW з використанням фреймворків TensorFlow та PyTorch. 3. Виконано порівняння ефективності роботи запропонованого алгоритму з існуючими рішеннями, наведено приклади, при яких цей алгоритм показує кращі та гірші результати в порівнянні з існуючими алгоритмами. Практична цінність отриманих в роботі результатів полягає в тому, що запропонований алгоритм дозволяє створювати швидкі програмні системи, в яких використовуються алгоритми RWR та LRW, за рахунок використання фреймворків TensorFlow та PyTorch. Апробація роботи. Основні положення і результати роботи були представлені на XIV науковій конференції «Прикладна математика та комп’ютинг» ПМК-2021 (Київ, 17-19 листопада 2021 р.) та на VІІІ Міжнародній науково-технічній Internet-конференції “Сучасні методи, інформаційне, програмне та технічне забезпечення систем керування організаційно-технічними та технологічними комплексами” (Київ, 25-26 листопада 2021 р.). Структура та обсяг роботи. Магістерська дисертація складається з вступу, чотирьох розділів та висновків. У вступі подано загальну характеристику роботи, зроблено оцінку сучасного стану проблеми, обґрунтовано актуальність напрямку досліджень, сформульовано мету і задачі досліджень, показано наукову новизну отриманих результатів і практичну цінність роботи. У першому розділі розглянуто основні принципи реалізації алгоритмів RWR та LRW , їхні особливості, недоліки та переваги. У другому розділі запропоновано метод прискорення RWR та LRW на основі використання фреймворків TensorFlow та PyTorch. У третьому розділі наведено особливості реалізації розробленої системи. У четвертому розділі представлено підходи до тестування системи в цілому та окремих модулів. У висновках представлені результати проведеної роботи. Робота представлена на 82 аркушах, містить посилання на список використаних літературних джерел.ukPyTorchTensorFlowrandom walksRWRMaster Thesis91 с.004.02