Вероятностные модели глубинного обучения, процедуры их настройки и применения при решении прикладных задач анализа данныхНИР

Probabilistic deep learning models, their training procedures and applications for different applied data analysis problems

Соисполнители НИР

МГУ имени М.В.Ломоносова Координатор

Источник финансирования НИР

госбюджет, раздел 0110 (для тем по госзаданию)

Этапы НИР

# Сроки Название
1 1 января 2021 г.-31 декабря 2021 г. Новые вероятностные модели глубинного обучения, процедуры для их настройки и применение при решении прикладных задач анализа данных
Результаты этапа: Были получены следующие основные результаты: 1. Предложен новый алгоритм выбора схемы модуляции и кодирования при передачи данных в системах сотовой связи 5-го поколения при нисходящей передаче. 2. Рассмотрен подход к построению математической модели для количественной оценки динамики регенерации плоских червей-планарий в биологических экспериментах, основанный на анализе серии цифровых изображений с микроскопа. 3. Рассмотрены возможности и результаты применения искусственных нейронных сетей для синтеза логических схем. 4. Исследован новый алгоритм для дистилляции данных - проблемы сокращения обучающей выборки для эффективного обучения нейросетевых моделей. 5. Создан новый набор данных изображений с аннотациями о переднем/заднем плане. 6. Предложен новый подход к решению задачи сопоставления графов, основанный на обучении расстояния на вершинах графа.
2 1 января 2022 г.-31 декабря 2022 г. Новые вероятностные модели глубинного обучения, процедуры для их настройки и применение при решении прикладных задач анализа данных
Результаты этапа: 1. Предложен метод применения нейронных сетей для построения алгоритма оптимизации размера логических схем. 2. Предложены новые методы обработки данных, основанные на генеративных обучающих сетях, сопоставлении градиентов и теореме о неявной функции. Проведены эксперименты на данных задачи классификации изображений MNIST, показано, что новые методы вычислительно более эффективны, чем предыдущие, и позволяют повысить производительность моделей, обученных на дистиллированных данных. 3. Создан новый набор данных изображений с аннотациями о переднем/заднем плане. Проведено экспериментальное сравнение для предложенного набора данных для нескольких современных методов автоматической сегментации изображений. 4. Разработаны методы интерпретации анализа многомерных временных рядов при помощи нейросетевых моделей. Предложено семейство нейросетевых моделей для анализа многомерных временных рядов, сочетающих в себе свертки как по измерению времени, так и каналов. Исследованы графовые свертки на основе геометрической локализации каналов и на основе сиры их статистической связи.
3 1 января 2023 г.-31 декабря 2023 г. Новые вероятностные модели глубинного обучения, процедуры для их настройки и применение при решении прикладных задач анализа данных
Результаты этапа: 1. Разработаны новые методы автоматизации процесса анализа данных с помощью глубинного машинного обучения. Методы позволяют создавать более качественную выборку и повышают производительность моделей, обученных с использованием дистилляции данных. Это открывает новые перспективы в работе с большими объемами информации и снижает вычислительную сложность задач анализа данных. 2. Предложены новые методы обработки данных, основанные на метаграфах. Показано, что новые методы вычислительно более эффективны для получения более качественной выборки. Предложенные новые методы эффективны в обработке данных для задач в сфере биоинформатики, а также для анализа временных рядов, основанные на метаграфах. Качественная обработка данных крайне важна для автоматической семантической сегментации текстов и изображений, где качество данных играет решающую роль. 3. Рассмотрены возможности и результаты применения искусственных нейронных сетей для синтеза и оптимизации логических схем. В рамках работы логические схемы представлены мажоритарно-инвертерным графом (MIG - majority inverter graphs). Усовершенствован подход к решению задачи сопоставления графов, основанный на использовании расстояния между вершинами графа. Предложен метод применения глубоких нейронных сетей для построения алгоритма оптимизации размера логических схем. Этот подход показывает большую эффективность глубоких нейронных сетей для автоматической оптимизации логических схем в сравнении со специализированными методами. Это связано со способностью глубоких нейронных сетей обучаться на больших объемах данных и адаптироваться к различным условиям. Благодаря этому сети могут находить оптимальные решения и прогнозировать результаты с высокой точностью. В целом, исследование показывает, что применение искусственных нейронных сетей для синтеза логических схем имеет огромный потенциал. 4. Предложен метод идентификации планарий по текстурному профилю, характеризующемуся набором, формой и расположением светлых пятен на теле червя – участков без пигмента. Для сравнения планарий разных размеров и в разных позах предложен метод нормализации текстур планарий. Он основан на выборе основной ветви в скелете сегментированного изображения и позволяет перейти к единой системе координат. Были проведены эксперименты по выявлению планарий при разных видах наблюдений — в течение одного дня, в течение нескольких дней и в течение нескольких дней регенерации после декапитации. Эксперименты показывают, что светлые пятна являются стабильным во времени фенотипическим признаком. 5. Проведено экспериментальное сравнение для предложенного набора данных нескольких современных методов автоматического семантического анализа текста. Также показано преимущество использования автоматического способа извлечения признаков для задачи нейросетевой передачи концептуального пространства - популярной технике автоматического анализа информации (или контент анализа) по определенным параметрам и заданным алгоритмам, например, точки социальной напряженности. Этот набор данных может стать полезным инструментом при работе с автоматической сегментацией и семантическим анализом текстов.
4 1 января 2024 г.-31 декабря 2024 г. Новые вероятностные модели глубинного обучения, процедуры для их настройки и применение при решении прикладных задач анализа данных
Результаты этапа:
5 1 января 2025 г.-31 декабря 2025 г. Новые вероятностные модели глубинного обучения, процедуры для их настройки и применение при решении прикладных задач анализа данных
Результаты этапа:

Прикрепленные к НИР результаты

Для прикрепления результата сначала выберете тип результата (статьи, книги, ...). После чего введите несколько символов в поле поиска прикрепляемого результата, затем выберете один из предложенных и нажмите кнопку "Добавить".

Прикрепленные файлы

№ Имя Описание Имя файла Размер Добавлен