Эта работа посвящена применению ансамблевых и нейросетевых методов машинного обучения, в частности методов CatBoost и LightGBM и сверточных нейронных сетей, для прогнозирования ВВП. В исследовании используется база винтажных данных, что позволяет выявить влияние пересмотров статистической информации на точность моделей. Полученные нами результаты показывают, что комбинации нейросетевых методов сохраняют прогнозное преимущество по сравнению с эталонными моделями – авторегрессией первого порядка, динамической факторной моделью и байесовской векторной авторегрессией – на панели стран, в том числе в периоды, включающие пандемический кризис, на предварительных и пересмотренных данных. Согласно эконометрическому тесту на доверительное множество моделей, к числу наиболее точных методов прогнозирования ВВП относятся сверточные и рекуррентные нейронные сети. Пересмотры статистических данных приводят к росту среднеквадратической ошибки эталонных моделей, ансамблевых и нейросетевых методов машинного обучения.
Пособие содержит обзорные учебные материалы по принципам построения и машинного обучения искусственных нейронных сетей. Рассмотрены основные архитектуры сетей и алгоритмы их обучения, используемые при решении задач оценивания, прогнозирования и поддержки принятия решений.
Учебное пособие предназначено для студентов направления подготовки 01.03.04 при изучении курса «Нейронные сети», а также при подготовке выпускных квалификационных работ, в которых используются модели нейронных сетей.
В статье рассматривается влияние информационных технологий в области нейронных сетей, позволяющих облегчать выполнение задач с большим количеством переменных и факторов, на медицинскую сферу. Задачами, которые можно доверить автоматизированной системе, может быть диагностика, лечение и прогнозирование заболеваний. Анализируются принципы построения нейронных сетей, их использование в обработке медицинских данных, достижения в этой области, а также перспективы для преобразования и улучшения практики здравоохранения.
В статье подводятся итоги эксперимента по формированию доверия к процедуре семейной медиации - мирному разрешению семейных споров через внедрение технологии первой информационно-разъяснительной встречи. Проведен анализ статистики брачно-семейных отношений, количества разводов в России, Москве, странах мира за 5 лет, в том числе во время пандемии COVID-19, статистики исполнительных производств по семейным отношениям и порядку общения за несколько лет, а также социологических исследований 2022-2023 гг. Приведены результаты экспериментальной супервизии с использованием технологий двух нейронных сетей. Проанализированы особенности семейной медиации как наиболее эффективного внесудебного способа разрешения семейных споров. Показано, что достижению результата, мирного урегулирования семейных споров, способствовала экспериментальная разработка и реализация Центром медиации и социально-правовой помощи, совместно с управлениями социальной защиты населения города Москвы, новой для России процедуры - первой информационно-разъяснительной встречи. Приведены первые результаты: эффективность 98 %, почти все семейные пары по итогам встречи дали согласие на медиацию, и первые медиации успешно проведены. Выявлены одни из главных причин малой распространенности досудебного урегулирования семейных конфликтов - нормативная необязательность процедуры семейной медиации для семейных пар с несовершеннолетними детьми при подаче заявления на развод, неинформированность семейных пар о преимуществах и выгодах обращения к семейной медиации. Приведены аргументы, доказывающие, что первая информационно-разъяснительная встреча является успешной стратегией построения доверия и первым шагом к медиации и сохранению семьи, семейной идентичности, духовных ценностей для последующей передачи их следующему поколению в непрерывной цепи социокультурной идентичности
Современные технологические требования и развивающаяся городская инфраструктура ставят задачу разработки методов распознавания и классификации пожароопасных ситуаций. Быстрое и эффективное распознавание начальных признаков возгорания становится жизненно важным аспектом обеспечения безопасности людей, а также материальных ценностей. В связи с этим разрабатываются, реализуются, тестируются и внедряются системы, способные автоматически распознавать и классифицировать пожароопасные ситуации. Классификации пожароопасных ситуаций позволяет определить степень опасности обнаруженных отклонений, что способствуют к принятию более эффективных решений по предотвращению последствий пожаров и их признаков таких как, однократное кратковременное повышение температуры и уровня задымленности которое может указывать на выход из строя электрических компонентов, расположенных возле датчиков. Алгоритм классификации пожароопасных ситуаций разработан для комплекса взаимосвязанных датчиков, который в свою очередь, за счет своей структуры, позволяет обнаруживать даже малейший признака пожара. В рамках данного исследования приводится алгоритм классификации пожароопасных ситуаций на основе нейросетевых технологий. Приведено описание существующих классов пожароопасных ситуаций, а также критерии, по которым размечались данные по указанным классам. Проведено моделирование алгоритма на обучающей и тестовой выборках с приведением используемых параметров точности, формулой их расчетов, результатами классификации пожароопасных ситуаций. Проведено исследование влияния шага отсчета в выборке базы данных на параметры точности и время обучения нейронной сети. Разработанный алгоритм реализован на языке программирования Python в IDE PyCharm. Датасет для обучения и тестирования получены из реальных источников, содержащих информацию об обнаруженных пожароопасных ситуациях в метрополитенах, в которых установлен комплекс взаимосвязанных датчиков. Результаты моделирования алгоритма показали, что предложенный алгоритм обладает высокой точностью для предиктивной классификации пожароопасных ситуаций на реальных объектах.
Комплексирование нескольких моделей в одну систему технического зрения позволит решать более сложные и комплексные задачи. В частности, для мобильной робототехники и беспилотных летательных аппаратов (БЛА) является актуальной проблемой отсутствие наборов данных для различных условий. В работе в качестве решения данной проблемы предлагается комплексирование нескольких моделей: сегментации, сопровождения и классификации. Это позволит значительно повысить качество решения сложных задач без дополнительного обучения. Модель сегментации позволяет выделять произвольные объекты из кадров, поэтому ее можно использовать в недетерминированных и динамических средах. Модель классификации позволяет определить необходимые для навигации объекты, которые затем сопровождаются с помощью третей модели. В работе подробно описан алгоритм комплексирования моделей. Ключевым элементом в алгоритме является коррекция предсказаний моделей, позволяющая достаточно надежно сегментировать и сопровождать различные объекты. Процедура коррекции предсказаний моделей решает следующие задачи: добавление новых объектов для сопровождения, валидация сегментированных масок объектов и уточнение сопровождаемых масок. Универсальность данного решения подтверждается работой в сложных условиях, на которых не обучали модели, например, подводная съемка или изображения с БЛА. Проведено экспериментальное исследование каждой из моделей в условиях открытой местности и в помещении. Наборы данных включали сцены актуальные для мобильной робототехники. В частности, в сценах присутствовали движущиеся объекты (человек, автомобиль) и возможные преграды на пути робота. Для большинства классов метрики качества сегментации превышали 80%. Основные ошибки связаны с размерами объектов. Проведенные эксперименты наглядно демонстрируют универсальность данного решения без дополнительного обучения моделей. Дополнительно проведено исследование быстродействия на персональном компьютере с различными входными параметрами и разрешением. Увеличение количества моделей значительно повышает вычислительную нагрузку и не достигает реального времени. Поэтому одним из направления дальнейших исследований является повышение быстродействия системы.
Работа посвящена проблеме безопасности систем распознавания изображений, основанных на использовании нейронных сетей. Подобные системы применяются в различных областях и крайне важно обеспечить их безопасность от атак, направленных на методы искусственного интеллекта. Рассмотрены сверточная нейронная сеть ResNet18, проверочное множество ImageNet для распознавания объектов на изображении и отнесения его к классу и состязательные атаки, которые направлены на изменение изображения, обрабатываемые данной нейронной сетью. Сверточные нейронные сети детектируют и сегментируют объекты, которые находятся на изображениях. Атака совершалась на этапе детектирования для того, чтобы не распознавалось присутствие объектов на изображении, а также на этапе сегментации, измененное изображение относило распознанный объект к другому классу. Реализована серия экспериментов, которая показала, как состязательная атака изменяет разные изображения. Для этого взяты изображения с животными и на них совершена состязательная атака, анализ результатов позволил определить количество итераций, необходимых для совершения успешной атаки. Также проведено сравнение исходных изображений с их модифицированными в ходе атаки версиями.
В работе рассмотрены методы определения авторства естественных и искусственно-сгенерированных текстов, важных в контексте кибербезопасности и защиты интеллектуальной собственности с целью предотвращения дезинформации и мошенничества. Использование методов определения автора текста обосновано выводами об эффективности рассмотренных в прошлых исследованиях fastText и метода опорных векторов (SVM). Алгоритм отбора признаков выбран на основе сравнения пяти различных методов - генетического алгоритма, прямого и обратного последовательных методов, регуляризационного отбора и метода Шепли. Рассмотренные алгоритмы отбора включают эвристические методы, элементы теории игр и итерационные алгоритмы. Наиболее эффективным методом признан алгоритм, основанный на регуляризации, в то время как методы, основанные на полном переборе, признаны неэффективными для любого множества авторов. Точность отбора на основе регуляризации и SVM в среднем составила 77 %, что превосходит другие методы от 3 до 10 % при идентичном количестве признаков. При тех же задачах средняя точность fastText - 84 %. Было проведено исследование, направленное на устойчивость разработанного подхода к генеративным образцам. SVM оказался более устойчив к запутыванию модели. Максимальная потеря точности для fastText составила 16 %, а для SVM - 12 %.
Современные подходы к решению задачи управления шагающими роботами с вращательными звеньями представляют собой разрозненные алгоритмы, строящиеся либо на готовой локомоторной программе с дальнейшей ее адаптацией, либо на сложных кинематико-динамических моделях, нуждающихся в обширных знаниях о динамике системы и окружающей среды, что в прикладных задачах зачастую является невыполнимым. Так же, используемые подходы жестко связаны с конфигурацией шагающего робота, что делает невозможным применение метода в приложениях с иной конфигурацией (другим количеством и типом конечностей). В данной статье предлагается универсальный подход к управлению движением шагающих роботов, основанный на методологии обучения с подкреплением. Рассматривается математическая модель системы управления, основанная на конечных дискретных марковских процессах в контексте методов обучения с подкреплением. Ставится задача построения универсальной и адаптивной системы управления, способной осуществить поиск оптимальной стратегии для реализации локомоторной программы в заранее неизвестной среде, путем непрерывного взаимодействия. К результатам, отличающимся научной новизной, следует отнести математическую модель данной системы, позволяющей описать процесс ее функционирования с помощью марковских цепей. Отличием от существующих аналогов является унификация описания робота.
В статье представлен метод классификации изображений с использованием, помимо базовой нейронной сети, дополнительной, способной адаптивно концентрироваться на классифицируемом объекте изображения. Задача дополнительной сети является задачей о контекстном многоруком бандите и сводится к предсказанию такой области на исходном изображении, при вырезании которой в процессе классификации возрастет уверенность базовой нейронной сети в принадлежности объекта на изображении правильному классу. Обучение дополнительной сети происходит с помощью методов обучения с подкреплением и стратегий достижения компромисса между эксплуатацией и исследованием при выборе действий для решения задачи о контекстном многоруком бандите. На подмножестве набора данных ImageNet-1K проведены различные эксперименты по выбору архитектуры нейронной сети, алгоритма обучения с подкреплением и стратегии исследования при обучении. Рассмотрены такие алгоритмы обучения с подкреплением, как DQN, REINFORCE и A2C, и такие стратегии исследования, как -жадная, -softmax, -decay-softmax и метод UCB1. Большое внимание уделено описанию проведенных экспериментов и обоснованию полученных результатов. Предложены варианты применения разработанного метода, демонстрирующие увеличение точности классификации изображений по сравнению с базовой моделью ResNet. Дополнительно рассмотрен вопрос о вычислительной сложности данного метода. Дальнейшие исследования могут быть направлены на обучение агента на изображениях, не задействованных при обучении сети ResNet.