A
A
A

Цвет сайта

A
A
Обычная версия
Главная - Направления - Методы и модели искусственного интеллекта

Методы и модели искусственного интеллекта

Руководитель группы – д.ф.-м.н. Н. Ю.Золотых.

Ключевые сотрудники – к.ф.-м.н.  Е. М. Замараева, Я. А. Середа.

План работ

2022

Ожидаемые результаты научных исследований

Существуют различные способы задания пороговой функции, и выбор конкретного способа зависит от того, каким образом будет организована работа с функцией в конкретном приложении. Самый естественный способ определения пороговых функций – это пороговые неравенства. Однако, для заданной функции существует континуальное множество различных пороговых неравенств, определяющих ее, и имея два пороговых неравенства, неочевидно, задают они разные пороговые функции или одну и ту же. При переходе от пороговых к 2-пороговым функциям ситуация еще более осложняется тем, что одна и та же 2-пороговая функция может быть представлена конъюнкциями различных пар пороговых функций. Для функций двух переменных биекция между пороговыми функциями (исключая тождественный ноль и единицу) и направленными неприводимыми отрезками делает последние удобным способом представления пороговых функций. Этот подход предлагается перенести на 2-пороговые функции, чтобы получить канонический способ задания 2-пороговых функций, экономичный с точки зрения занимаемой памяти и трудоемкости часто используемых операций, таких как получение значения функции в заданной точке и сравнение двух функций. 

Планируется 2 статьи в журналах, индексируемых в WoS.(Н. Ю. Золотых, ННГУ)

2023

Ожидаемые результаты научных исследований

Будут проведены численные эксперименты, доказывающие возможность эффективной работы фреймворка обучения (разработанного на предыдущем этапе) на, как минимум, двух разных типах данных. Предполагается, что это будет набор данных изображений (фото) и набор данных электрокардиограмм (временные последовательности). Булевы пороговые функции представляют один из наиболее изучаемых классов булевых функций благодаря своим свойствам и практическому применению во многих областях, таких как теория игр, целочисленное программирование, нейронные сети и распределенные компьютерные системы. Сложность алгоритма обучения пороговых функций тесно связана с такой характеристикой функции, как длина обучения. Во многих подходах, например в обучении с Оракулом, длина обучения представляет из себя нижнюю оценку сложности для любого алгоритма. Проблема характеризации пороговых функций с минимальной длиной обучения была впервые затронута в [Martin Anthony, Graham Brightwell, and John Shawe-Taylor On specifying Boolean functions by labelled examples// Discrete Applied Mathematics, V. 61(1). 1995. pp 1–25], где авторы доказали, что линейно-бесповторные функции являются пороговыми и имеют минимальную длину обучения. Авторы также предположили, что других пороговых функций с минимальной длиной обучения нет. Однако, в [Vadim Lozin, Igor Razgon, Viktor Zamaraev, Elena Zamaraeva, and Nikolai Zolotykh Linear read-once and related Boolean functions// Discrete Applied Mathematics. V 250, 2018. pp 16–27] эта гипотеза была опровергнута контрпримером, и вопрос структурной характеризации пороговых функций с минимальной длиной обучения остался открытым. Целью ставится получить такую характеризацию. 

Планируется 2 статьи в журналах  , индексируемых в WoS.(Н. Ю. Золотых, ННГУ)

2024

Ожидаемые результаты научных исследований

Будут исследована возможность обучения с одного раза (one shot learning) и возможность обучения с частичным привлечением учителя в рамках фреймворка, разработанного на предыдущих этапах. Будет исследована интерпретируемость репрезентации данных, возникающая в памяти агента при распознавании им очередных входных данных. В случае достаточно высоких показателей интерпретируемости этих данных для человека будет исследована возможность создания системы интерпретируемой диагностики по ЭКГ заболеваний сердечно-сосудистой системы. В медицинских задачах такого рода лишь некоторые патологии представлены сразу множеством примеров в обучающей выборке. Зачастую для конкретной патологии показательных примеров мало. При этом цена ошибки в медицине особенно высокая. Эти два фактора вместе предполагают, что обучающаяся интеллектуальная система должна уметь строить интерпретируемые человеком репрезентации характерных ситуаций всего по нескольким (или даже одному) образцам. Достижению этой цели подчинен разрабатываемый фреймворк, т.к. поставленная задача в рамках современных подходов к сетям глубокого обучения остается не решенной. 

Планируется 2 статьи в журналах , индексируемых в WoS.(Н. Ю. Золотых, ННГУ)

Все новости