Оптимізація архітектури нейронних мереж з урахуванням аугментації даних
The paper is devoted to resolving the contradiction between increasing the model's resistance to interference and distortion and complicating the task of model training under conditions of limited computational resources. The aim of the work is to determine the architecture of nonlinear dynamic...
Збережено в:
| Дата: | 2024 |
|---|---|
| Автори: | , , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Kamianets-Podilskyi National Ivan Ohiienko University
2024
|
| Онлайн доступ: | http://mcm-tech.kpnu.edu.ua/article/view/317200 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Mathematical and computer modelling. Series: Technical sciences |
Репозитарії
Mathematical and computer modelling. Series: Technical sciences| id |
mcmtechkpnueduua-article-317200 |
|---|---|
| record_format |
ojs |
| institution |
Mathematical and computer modelling. Series: Technical sciences |
| baseUrl_str |
|
| datestamp_date |
2024-12-29T17:43:08Z |
| collection |
OJS |
| language |
Ukrainian |
| format |
Article |
| author |
Фомін, Олександр Канєвський, Віталій Мельник, Дмитро Бурбенко, Андрій |
| spellingShingle |
Фомін, Олександр Канєвський, Віталій Мельник, Дмитро Бурбенко, Андрій Оптимізація архітектури нейронних мереж з урахуванням аугментації даних |
| author_facet |
Фомін, Олександр Канєвський, Віталій Мельник, Дмитро Бурбенко, Андрій |
| author_sort |
Фомін, Олександр |
| title |
Оптимізація архітектури нейронних мереж з урахуванням аугментації даних |
| title_short |
Оптимізація архітектури нейронних мереж з урахуванням аугментації даних |
| title_full |
Оптимізація архітектури нейронних мереж з урахуванням аугментації даних |
| title_fullStr |
Оптимізація архітектури нейронних мереж з урахуванням аугментації даних |
| title_full_unstemmed |
Оптимізація архітектури нейронних мереж з урахуванням аугментації даних |
| title_sort |
оптимізація архітектури нейронних мереж з урахуванням аугментації даних |
| title_alt |
Optimization of Neural Network Architecture with Regard to Data Augmentation |
| description |
The paper is devoted to resolving the contradiction between increasing the model's resistance to interference and distortion and complicating the task of model training under conditions of limited computational resources. The aim of the work is to determine the architecture of nonlinear dynamics models under conditions of limited training data while ensuring a given modeling accuracy. This goal is achieved by developing a method for selecting the architecture of NAS neural networks. The scientific novelty of the work lies in the further development of the method of selecting the architecture of the NAS neural network for identifying nonlinear dynamic objects, taking into account the distortions of the training dataset by adding segmented data. In contrast to the traditional approach to pre-training, the developed method allows us to build more robust models while ensuring the required accuracy. The practical significance of the work is to develop an approach to adapting the architecture depending on the augmentation methods used by developing an algorithm for selecting the architecture of a NAS neural network taking into account data augmentation, which allows building more reliable models without losing modeling accuracy. The results of experiments on modeling test objects with nonlinear dynamic characteristics are presented, and the influence of data augmentation on the quality and stability of the obtained models is analyzed. The value of the study is to determine the area of effective use of the proposed method, as tasks with a lack of labeled data in the absence of strict requirements for the speed of the modeling process. |
| publisher |
Kamianets-Podilskyi National Ivan Ohiienko University |
| publishDate |
2024 |
| url |
http://mcm-tech.kpnu.edu.ua/article/view/317200 |
| work_keys_str_mv |
AT fomínoleksandr optimizationofneuralnetworkarchitecturewithregardtodataaugmentation AT kanêvsʹkijvítalíj optimizationofneuralnetworkarchitecturewithregardtodataaugmentation AT melʹnikdmitro optimizationofneuralnetworkarchitecturewithregardtodataaugmentation AT burbenkoandríj optimizationofneuralnetworkarchitecturewithregardtodataaugmentation AT fomínoleksandr optimízacíâarhítekturinejronnihmerežzurahuvannâmaugmentacíídanih AT kanêvsʹkijvítalíj optimízacíâarhítekturinejronnihmerežzurahuvannâmaugmentacíídanih AT melʹnikdmitro optimízacíâarhítekturinejronnihmerežzurahuvannâmaugmentacíídanih AT burbenkoandríj optimízacíâarhítekturinejronnihmerežzurahuvannâmaugmentacíídanih |
| first_indexed |
2025-07-17T10:14:56Z |
| last_indexed |
2025-07-17T10:14:56Z |
| _version_ |
1850409865001828352 |
| spelling |
mcmtechkpnueduua-article-3172002024-12-29T17:43:08Z Optimization of Neural Network Architecture with Regard to Data Augmentation Оптимізація архітектури нейронних мереж з урахуванням аугментації даних Фомін, Олександр Канєвський, Віталій Мельник, Дмитро Бурбенко, Андрій The paper is devoted to resolving the contradiction between increasing the model's resistance to interference and distortion and complicating the task of model training under conditions of limited computational resources. The aim of the work is to determine the architecture of nonlinear dynamics models under conditions of limited training data while ensuring a given modeling accuracy. This goal is achieved by developing a method for selecting the architecture of NAS neural networks. The scientific novelty of the work lies in the further development of the method of selecting the architecture of the NAS neural network for identifying nonlinear dynamic objects, taking into account the distortions of the training dataset by adding segmented data. In contrast to the traditional approach to pre-training, the developed method allows us to build more robust models while ensuring the required accuracy. The practical significance of the work is to develop an approach to adapting the architecture depending on the augmentation methods used by developing an algorithm for selecting the architecture of a NAS neural network taking into account data augmentation, which allows building more reliable models without losing modeling accuracy. The results of experiments on modeling test objects with nonlinear dynamic characteristics are presented, and the influence of data augmentation on the quality and stability of the obtained models is analyzed. The value of the study is to determine the area of effective use of the proposed method, as tasks with a lack of labeled data in the absence of strict requirements for the speed of the modeling process. Робота присвячена вирішенню протиріччя між підвищенням стійкості моделі до завад і спотворень та ускладненням задачі навчання моделі в умовах обмежених обчислювальних ресурсів. Метою роботи є визначення архітектури моделей нелінійної динаміки в умовах обмежених навчальних даних при забезпеченні заданої точності моделювання. Ця мета досягається шляхом розвитку методу підбору архітектури нейронних мереж NAS. Наукова новизна роботи полягає у подальшому розвитку методу підбору архітектури нейронної мережі NAS при ідентифікації нелінійних динамічних об'єктів з врахуванням спотворень навчального датасету шляхом додавання аугментованих даних. На відміну від традиційного підходу до попереднього навчання, розроблений метод дозволяє будувати більш стійкі до дії завад моделі при забезпеченні необхідної точності. Практична користь роботи полягає в розвитку підходу до адаптації архітектури в залежності від методів аугментації, що використовуються, шляхом розробки алгоритму методу підбору архітектури нейронної мережі NAS з врахуванням аугментації даних, що дозволяє будувати більш надійні моделі без втрати точності моделювання. Наведено результати експериментів з моделювання тестових об'єктів з нелінійними динамічними характеристиками, проаналізовано вплив аугментації даних на якість і стійкість отриманих моделей. Цінність проведеного дослідження полягає у визначенні області ефективного використання запропонованого методу, як задач з нестачею розмічених даних при відсутності суворих вимог до швидкості процесу моделювання. Kamianets-Podilskyi National Ivan Ohiienko University 2024-12-09 Article Article application/pdf http://mcm-tech.kpnu.edu.ua/article/view/317200 10.32626/2308-5916.2024-26.54-63 Mathematical and computer modelling. Series: Technical sciences; 2024: Mathematical and computer modelling. Series: Technical sciences. Issue 26; 54-63 Математичне та комп'ютерне моделювання. Серія: Технічні науки ; 2024: Математичне та комп'ютерне моделювання. Серія: Технічні науки. Випуск 26; 54-63 2308-5916 10.32626/2308-5916.2024-26 uk http://mcm-tech.kpnu.edu.ua/article/view/317200/310189 Авторське право (c) 2024 Математичне та комп'ютерне моделювання. Серія: Технічні науки |