Details

В ходе работы была разработана метод концептуального обучения на основе частотного вывода (FI-CBL), который направлен на улучшение идентификации концептов в изображениях за счёт интеграции экспертных правил в процесс вывода. Это позволит повысить точность предсказаний и обеспечить прозрачность решений модели. Задачи, решаемые в ходе исследования: 1. Выполнение обзора существующих методов машинного обучения для решения задачи классификации изображений по концептам, включая подходы с использованием экспертных правил; 2. Описание разработанной модели машинного обучения для решения задачи классификации изображений по концептам с применением экспертных правил; 3. Реализация частотного вывода для вычисления априорных и апостериорных вероятностей концептов на основе частот встречаемости патчей в изображениях с известными значениями; 4. В Описание численных экспериментов и наборов данных для их проведения; 5. Проведение численных экспериментов и оценка их значимости.

This study aims to develop and investigate the Frequentist Inference Concept-Based Learning (FI-CBL) method, which improves concept identification in images by integrating expert rules into the inference process. This approach enhances prediction accuracy while ensuring model transparency. Research Tasks: 1. A review of existing machine learning methods for solving the problem of image classification by concepts, including approaches using expert rules; 2.   A description of the developed machine learning model for solving the problem of image classification by concepts, applying expert rules; 3. Implementation of frequency-based inference to calculate prior and posterior probabilities of concepts based on the frequencies of occurrence of patches in images with known values; 4. Description of numerical experiments and datasets for implementation; 5. Conducting numerical experiments and evaluating their significance.

• Введение
• Глава-1 Анализ Исследования концепции
• 1.1 Существующий обзор
• 1.2 Определение Концептов
• 1.3Модели основанные на концепций
• 1.4 Применение концепции в медицинской диагностике
• 1.5 Вывод
• Глава 2 Предлагаемая модель
• 2.1 Основная идея модели
• 2.2 Преимущества модели
• 2.3 вывод
• Глава 3 обучение модели
• 3.1 Формулировка задач
• 3.2 Ввести логическая правила
• 3.3 Формулировка расчета вероятности
• 3.4 Обновить априорные вероятности
• 3.4 Обновить условную вероятности
• 3.5 Вывод
• Глава 4 Численные эксперименты
• 4.1 Набор данных MNIST
• 4.2 Набор данных CelebA
• 4.3 Экспертные правила в предсказании точности
• 4.4 Вывод
• Заключение
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ