Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
https://er.nau.edu.ua/handle/NAU/59127
Назва: | Semi-controlled learning in information processing problems |
Інші назви: | Напівкероване навчання в задачах обробки інформації |
Автори: | Sineglazov, Victor Синєглазов, Віктор Михайлович Chumachenko, Olena Чумаченко, Олена Іллівна Heilyk, Eduard Хейлик, Едуард Володимирович |
Ключові слова: | label propagation semi-supervised learning data processing artificial intelligence smoothness manifold clustering assumptions розповсюдження міток напівкероване навчання обробка даних штучний інтелект припущення гладкості різноманіття кластеризації |
Дата публікації: | 5-січ-2022 |
Видавництво: | National Aviation University |
Бібліографічний опис: | Sineglazov V. M. Semi-controlled learning in information processing problems / V. M. Sineglazov, O. I. Chumachenko, E. V. Heilyk // Electronics and Control Systems. Kyiv: NAU, 2021. – No 4(70). – pp. 37–43. |
Серія/номер: | Electronics and Control Systems;№4(70) Електроніка та системи управління;№4(70) |
Короткий огляд (реферат): | The article substantiates the need for further research of known methods and the development of new methods of machine learning – semi-supervized learning. It is shown that knowledge of the probability distribution density of the initial data obtained using unlabeled data should carry information useful for deriving the conditional probability distribution density of labels and input data. If this is not the case, semi-supervised learning will not provide any improvement over supervised learning. It may even happen that the use of unlabeled data reduces the accuracy of the prediction. For semi-supervised learning to work, certain assumptions must hold, namely: the semi-supervised smoothness assumption, the clustering assumption (low-density partitioning), and the manifold assumption. A new hybrid semi-supervised learning algorithm using the label propagation method has been developed. An example of using the proposed algorithm is given. У статті обґрунтовано необхідність подальшого дослідження відомих методів та розробки нових методів машинного навчання – напівкерованого навчання. Показано, що знання щільності розподілу ймовірностей вихідних даних, отриманих з використанням немаркованих даних, повинно нести інформацію, корисну для отримання умовної щільності розподілу ймовірностей міток і вхідних даних. Якщо це не так, напівкероване навчання не забезпечить жодних покращень у порівнянні з контрольованим навчанням. Може навіть статися так, що використання немаркованих даних зменшить точність передбачення. Щоб напівкероване навчання працювало, мають виконуватися певні припущення, а саме: напівкероване припущення гладкості, припущення кластеризації (поділ із низькою щільністю) і припущення різноманіття. Розроблено новий гібридний алгоритм напівкерованого навчання з використанням методу поширення мітки. Наведено приклад використання запропонованого алгоритму. |
Опис: | Науковий журнал «Електроніка та системи управління» президією Міністерства освіти і науки України віднесено до наукових фахових видань у галузі технічних наук категорії «Б». Рекомендовано до друку вченою радою Національного авіаційного університету (протокол № 12 від 20 грудня 2021 р.). Зареєстровано Міністерством юстиції України. Свідоцтво про державну реєстрацію друкованого засобу масової інформації. Серія КВ №16720-5292 ПР від 21 травня 2010 року. |
URI (Уніфікований ідентифікатор ресурсу): | https://er.nau.edu.ua/handle/NAU/59127 |
ISSN: | 1990-5548 |
DOI: | 10.18372/1990-5548.70.16754 |
Розташовується у зібраннях: | Наукові публікації та матеріали кафедри авіаційних комп'ютерно-інтегрованих комплексів (НОВА) |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
6.pdf | Наукова стаття | 985.23 kB | Adobe PDF | Переглянути/Відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.