УДК 004

Исследование и разработка робастных методов распознавания объектов

Толов Александр Николаевич – студент магистратуры кафедры «Математическая кибернетика и информационные технологии» Московского технического университета связи и информатики

Аннотация: В данной научной статье рассматривается исследование и разработка робастных методов распознавания объектов. Автор анализирует возможность использования робастного подхода при построении искусственных нейронных сетей. В работе приводится обзор основных инструментов машинного обучения, включая искусственные нейронные сети, и описывается их применение в решении разнообразных задач. Особое внимание уделено роли робастных методов в статистическом анализе данных. Рассмотрены популярные робастные функции потерь и их применимость в алгоритме обратного распространения ошибки. Предложена робастная модификация данного алгоритма, сохраняющая большинство его шагов неизменными, но изменяющая только тождество. Разработанная модификация позволяет создавать новые нейронные сети, способные успешно решать задачи анализа образовательных и текстовых данных.

Ключевые слова: робастные методы, распознавание объектов, искусственные нейронные сети, машинное обучение, статистический анализ данных, робастная функция потерь, алгоритм обратного распространения ошибки.

Исследователи современности в различных областях науки и техники сталкиваются с решением все более сложных задач, требующих обширного объема данных. Нередко возникают ситуации, когда исследователям не хватает возможности разработать прямой алгоритм для решения этих задач. В таких моментах на первый план выходит искусственный интеллект и его подраздел – машинное обучение.

Машинное обучение становится популярным решением в условиях неопределенности, где стандартные алгоритмы не могут дать желаемый результат из-за огромного объема информации. Основное преимущество инструментов искусственного интеллекта заключается в их способности выявлять статистические закономерности в данных, а не следовать прямым инструкциям алгоритма. Результаты, полученные с помощью машинного обучения, могут быть более точными и эффективными в решении сложных задач, чем традиционные методы.

Сегодня машинное обучение представляет собой огромный арсенал инструментов, способных справиться с самыми разнообразными задачами. Одним из таких инструментов являются искусственные нейронные сети (ИНС), которые занимают особое место в этой области. Используя ИНС, можно не только прогнозировать и группировать данные, но и распознавать образы с высокой точностью. Благодаря своей универсальности, искусственные нейронные сети применяются в самых разных областях – от создания развлекательных приложений и умных устройств для дома до решения сложных задач науки.

Одним из ключевых аспектов использования искусственных нейронных сетей является их способность к самообучению. Это позволяет им адаптироваться к новым данным и условиям, не требуя постоянного вмешательства человека. Такой подход делает эти сети эффективными не только в области прогнозирования и классификации, но и в решении задач, требующих постоянного обновления информации.

Машинное обучение с использованием искусственных нейронных сетей открывает новые горизонты для развития технологий и науки. Ежедневно появляются все новые и новые возможности для применения этого инструмента, что делает его одним из самых востребованных и перспективных в современном мире. Параллельно, в области прикладного статистического анализа данных разработан робастный подход, который позволяет снизить негативное влияние нетипичных наблюдений без увеличения сложности используемой модели. Это направление развития статистического анализа получило значительный вклад от таких ученых, как Хьюбер П., Хампель Ф., Rousseeuw Р., Денисов В.И., Смоляк С.А., Титаренко Б.П. В рамках регрессионного анализа робастные методы хорошо себя зарекомендовали при работе с зашумленными данными [3, c. 126-138]. Поэтому представляется перспективным применить идеи робастного подхода при разработке нейронных сетей. Кроме того, для улучшения точности оценок, прогнозов и выводов при сборе данных в регрессионном анализе иногда используются идеи теории планирования оптимальных экспериментов.

В настоящее время существует ряд исследований, посвященных робастным методам распознавания объектов. В одной из диссертаций, написанной Сивак М.А. [2], рассматривается робастное обучение нейронных сетей с простой архитектурой для решения задач классификации. В этой работе указывается, что робастные функции потерь, такие как функции Хьюбера, Эндрюса, Хампеля и биквадратная функция потерь Тьюки, имеют непрерывные производные и могут использоваться в алгоритме обратного распространения ошибки. В той же диссертации предлагается робастная модификация алгоритма обратного распространения ошибки, которая изменяет только тождество, сохраняя большинство шагов алгоритма неизменными.

На основе этого доказательства была разработана модификация алгоритма обратного распространения ошибки, которая позволяет создавать новые нейронные сети с использованием различных функций потерь для решения разнообразных задач, включая анализ образовательных или текстовых данных [1, c. 50-58].

При изучении вопроса о применении робастного подхода в разработке искусственных нейронных сетей были обнаружены значительные выводы. Результаты исследования подтвердили, что робастные функции потерь могут значительно улучшить производительность и надежность нейронных сетей. Это открывает новые перспективы для создания более эффективных и устойчивых моделей машинного обучения.

С развитием технологий искусственного интеллекта становится все более важным обеспечить нейронные сети способностью эффективно работать в различных условиях и с разнообразными данными. Применение робастных функций потерь открывает путь к созданию более гибких и устойчивых моделей, способных адаптироваться к изменяющимся условиям и избегать переобучения.

Доказанные утверждения о возможности использования робастных функций потерь в нейронных сетях позволяют рассматривать этот подход как перспективный и эффективный вариант для повышения качества работы искусственных нейронных сетей.

Список литературы

1. Сивак, М. А. Исследование применимости робастных функций потерь в нейронных сетях / М. А. Сивак // Сборник научных трудов НГТУ. – 2020. – № 4. – С. 50-58.
2. Сивак, М.А. [Текст] дис. … канд. наук 05.13.17. Робастное обучение нейронных сетей с простой архитектурой для решения задач классификации. М. 2022.
3. Тимофеев, В. С. Робастная нейронная сеть с простой архитектурой / В. С. Тимофеев, М. А. Сивак // Сибирский журнал индустриальной математики. – 2021. – Т. 24, № 4. – С. 126-138.