Search academic texts

Information × Registration Number 0825U002234, PhD dissertation Status Доктор філософії Date 16-06-2025 popup.evolution o Title Few-shot learning approaches for model adaption. Author Mykola V. Baranov, popup.head Yuriy M. Shcherbyna popup.opponent Nadiia I. Nedashkivska popup.opponent Vasyl V. Lytvyn popup.review Dmytro D. Peleshko popup.review Nadiya M. Kolos Description У дисертаційній роботі досліджено проблематику навчання штучних нейронних мереж в умовах обмеженої кількості та потенційної зашумленості тренувальних даних. З’ясовано специфіку застосування нейронних мереж як універсального інструменту для задач, де побудова прямих алгоритмів є складною, та висвітлено, що класичні моделі часто вимагають значних обсягів якісних даних, збір та анотування яких є трудомістким процесом. Встановлено, що ймовірнісні моделі дозволяють прогнозувати розподіл ймовірностей, що надає можливість оцінювати невизначеність прогнозів, покращує узагальнення на малих вибірках та допомагає уникнути ефекту перенавчання. Визначено, що моделі на основі множини експертів ефективно акумулюють знання у різних частинах мережі, підвищуючи гнучкість архітектури для подальшого змiнення та розширення. Продемонстровано ефективність інтеграції ймовірнісного підходу, методів навчання на малих даних та моделей з розподіленими знаннями для успішного вирішення задачі багатокласової класифікації за один прямий прохід моделі, навіть в умовах обмеженої кількості даних, наявності похибок у тренувальних даних та ситуацій невизначеностей. Це реалізовано виконанням головних завдань дисертаційної роботи: дослідженням ймовірнісних моделей, адаптованих для навчання на малих наборах даних; розглядом підходу до побудови моделей на основі множини експертів; демонстрацією інтеграції досліджених підходів для вирішення задачі багатокласової класифікації в зазначених умовах. Registration Date 2025-06-10 popup.nrat_date 2025-06-10 Close