Details

Title: Разработка исследования метода интерпретации результатов предсказания сиамской нейронной сети с использованием вариационного автокодера: выпускная квалификационная работа магистра: направление 02.04.01 «Математика и компьютерные науки» ; образовательная программа 02.04.01_03 «Высокопроизводительные облачные вычисления и программное обеспечение роботов»
Creators: Микулик Илья Игоревич
Scientific adviser: Уткин Лев Владимирович
Other creators: Голубева Ирина Эрнестовна
Organization: Санкт-Петербургский политехнический университет Петра Великого. Институт прикладной математики и механики
Imprint: Санкт-Петербург, 2020
Collection: Выпускные квалификационные работы; Общая коллекция
Subjects: машинное обучение; объяснительный интеллект; сиамская нейронная сеть; вариационный автокодер; machine learning; explainable artificial intelligence; siamese neural network; variational autoencoder
Document type: Master graduation qualification work
File type: PDF
Language: Russian
Speciality code (FGOS): 02.04.01
Speciality group (FGOS): 020000 - Компьютерные и информационные науки
Links: Отзыв руководителя; Рецензия; Отчет о проверке на объем и корректность внешних заимствований
DOI: 10.18720/SPBPU/3/2020/vr/vr20-1055
Rights: Доступ по паролю из сети Интернет (чтение, печать, копирование)

Allowed Actions:

Action 'Read' will be available if you login or access site from another network Action 'Download' will be available if you login or access site from another network

Group: Anonymous

Network: Internet

Annotation

Тема выпускной квалификационной работы: «Разработка исследования метода интерпретации результатов предсказания сиамской нейронной сети с использованием вариационного автокодера». Данная работа посвящена исследованию сравнительно новой области машинного обучения – объяснительному интеллекту. Объяснительный интеллект представляет совокупность методов искусственного интеллекта применяемых таким образом, что результаты решения могут быть интерпретированы экспертами. Задачи, которые решались в ходе исследования: 1. Постановка задачи и сравнение существующих методов интерпретации результатов нейронных сетей. 2. Анализ работы сиамской нейронной сети, автокодера и вариационного автокодера. 3. Разработка метода интерпретации результатов прогнозов сиамской нейронной сети и программной реализации. 4. Исследование эффективности реализованного метода. Работа выполнена на базе открытого набора данных изображений CIFAR10. Реализован метод интерпретации результатов прогнозов сиамской нейронной сети, основную роль в котором занимает вариационный автокодер. Приведены результаты выполнения работы предложенного метода, выполнена сравнительная характеристика.

The subject of the graduate qualification work: “Development of a research method for interpreting the results of prediction of the Siamese neural network using a variational autoencoder”. This paper is devoted to the study of a relatively new field of machine learning, explanatory intelligence. Explanatory intelligence is a set of artificial intelligence methods applied in such a way that the results of a decision can be interpreted by experts. The research set the following goals: 1. Problem statement and comparison of existing methods for interpreting neural network results. 2. Analysis of the Siamese neural network, autoencoder and variational autoencoder. 3. Development of a method for interpreting the results of prediction of the Siamese neural network and software implementation. 4. Research on the effectiveness of the implemented method. This work is based on the open data set of cifar10 images. The method of interpretation of the results of a prediction of the Siamese neural network, the main role in which is occupied by the variational autoencoder, is implemented. The results of the proposed method are presented, and a comparative characteristic is performed.

Document access rights

Network User group Action
ILC SPbPU Local Network All Read Print Download
Internet Authorized users SPbPU Read Print Download
Internet Authorized users (not from SPbPU)
-> Internet Anonymous

Usage statistics

stat Access count: 19
Last 30 days: 2
Detailed usage statistics