| Studiju veids |
bakalaura akadēmiskās studijas |
| Studiju programmas nosaukums |
Datorsistēmas |
| Nosaukums |
Beiesa neironu tīklu un Monte Karlo caurkrites metožu stabilitātes salīdzinošā analīze |
| Nosaukums angļu valodā |
Comparative Analysis of Robustness of Bayes Neural Nets and Monte Carlo Dropout Methods |
| Struktūrvienība |
12300 Lietišķo datorsistēmu institūts |
| Darba vadītājs |
Ēvalds Urtāns |
| Recenzents |
Jurijs Lavendels |
| Anotācija |
Dziļā mašīnmācīšanās var sasniegt ievērojamus rezultātus dažādos uzdevumos,
taču to stabilitāte un precizitāte var būt grūti nosakāma, jo algoritma neironi
ir slēpti. Lai atrisinātu šo problēmu, iespējams apskatīt veidus kā apvienot mākslīgo
neironu modeļus ar varbūtības teorijas metodēm, lai sniegtu pārliecības mēru
līdz ar prognozēto rezultātu. Beiesa statistika piedāvā veidu, kas ļauj noteikt un
kvantitatīvi izteikt modeļa pārliecības pakāpi attiecībā uz konkrētiem rezultātiem.
Tie cenšas modelēt šo pārliecības mēru gala rezultātā nodrošinot varbūtību sadalījumu,
nevis punkta vērtību.
Idejas par Beiesa neironu tīkliem ir strauji attīstījušās kopš 1990. gadiem un ir
izgudrotas tādas metodes kā variāciju inference (VI) ( variational inference) (Jordan,
Ghahramani et al., 1999), Monte karlo caurkrites (MC-D) (Monte Carlo dropout)
izmantošana tuvinātai Beiesa inferencei (Gal & Ghahramani, 2015) un Beies
caur atpakaļizplatīšanos (BBB) (Bayes by backprop) (Blundell, Cornebise et al.,
2015).
Mērķis pētījumam ir salīdzināt, kā pieminētās metodes, atspoguļo pārliecības
mēru pieaugošos datu trokšņa apstākļos. Eksperimenti parāda BBB un MC-D algoritmu
ir spējīgi precīzāk klasificēt sēņu datu kopas vērtības. Turklāt tiek novērtos,
ka visi trīs algoritmu pārliecības mēri ir jūtīgi pret datu troksni apmācības
datos. Būtiski, ka visi algoritmi izrādīja izteiktāku jūtību pret izvaddatu troksni
nekā ievaddatu troksni.
Bakalaura darbs sastāv no 50 lappusēm, 19 attēliem, 10 tabulām un 12 pielikumiem.
Izmantotās literatūras un avotu sarakstā ir ietverti 49 avoti. |
| Atslēgas vārdi |
Mašīnmācīšanās, Beiesa metodes, neironu tīkli |
| Atslēgas vārdi angļu valodā |
Machine learning, Bayesian methods, neural networks |
| Valoda |
lv |
| Gads |
2023 |
| Darba augšupielādes datums un laiks |
30.05.2023 17:38:50 |
