Нефть Brent
$73.30
+3.08%
15
МОСКВА, 21 июня В Институте интеллектуальных кибернетических конструкций Национального исследовательского ядерного университета МИФИ предложили новый метод для обучения ограниченной машины Больцмана (вид нейросети), позволяющий оптимизировать процессы семантического кодирования, визуализации и распознавания данных. Результаты исследования опубликованы в журнале Optical Memoryand Neural Networks.
В настоящее время львиную популярность приобретает изучение глубоких нейронных сетей различной архитектуры: сверточных, рекуррентных, автоэнкодерных. Ряд высокотехнологичных компаний, среди которых – Microsoft и Google, используют определенные нейронные сети для проектирования различных интеллектуальных систем. Вместе с глубокими нейронными сетями снискал популярность термин глубокое обучение.
Профессор Института кибернетических систем НИЯУ МИФИ Владимир Головко проанализировал проблематику и основные парадигмы глубокого машинного обучения, предложив новый метод для обучения ограниченной машины Больцмана. Ученый показал, что классическое нашколило обучения этой нейросети является личным случаем предложенного им метода.
Американские ученые Минский и Пейперт в свое время выявили, что монослойный персептрон с пороговой функцией активации формирует линейную разделяющую поверхность с точки зрения классификации образов и поэтому не может решить задачку исключающее или. Это вызывало пессимистические выводы насчет дальнейшего развития нейронных сетей. Однако остатнее утверждение справедливо только для однослойного персептрона с пороговой или монотонной непрерывной функцией активации – например, сигмоидной. При использовании сигнальной функции активации однослойный персептрон может решить задачку исключающее или, так как он разбивает входное пространство стилей на классы при помощи двух прямых, – пересказал Владимир Головко.
Практическую ценность данных научных разработок сложно переоценить: они уже отряди применение в таких областях, как компьютерное зрение, опознавание речи и биоинформатика.
