Пошук академічних текстів

Інформація × Реєстраційний номер 0525U000354, Докторська дисертація На здобуття Доктор технічних наук Дата захисту 26-08-2025 Статус Запланована Назва роботи Ансамблі моделей неітеративного машинного навчання для аналізу біомедичних даних малих обсягів Здобувач Ізонін Іван Вікторович, Кандидат технічних наук Консультант Ткаченко Роман Олексійович Опонент Субботін Сергій Олександрович Опонент Антощук Світлана Григорівна Опонент Стіренко Сергій Григорович Опис Дисертаційна робота на здобуття наукового ступеня доктора технічних наук за спеціальністю 05.13.23 – Системи та засоби штучного інтелекту. – Національний університет “Львівська політехніка” Міністерства освіти і науки України, Львів, 2025. У дисертаційній роботі вирішено важливу теоретичну проблему розвитку основ теорії синтезу нейроподібних ансамблевих структур з неітеративним машинним навчанням для підвищення точності розв’язання задач регресії та класифікації на вибірках біомедичних даних малих обсягів. Проведено аналіз методів інтелектуального опрацювання структурованих біомедичних даних малого обсягу та обґрунтовано доцільність синтезу нейроподібних ансамблевих структур на основі неітеративного машинного навчання. Розвинуто підхід до використання кусково-лінійної апроксимації в задачах аналізу багатовимірних поверхонь відгуку шляхом ізоморфного подання кожної ознаки множиною локальних компонент. Це дало змогу здійснити нелінійне розширення вхідного простору і знизити похибку апроксимації лінійною неітеративною структурою Модель Послідовних Геометричних Перетворень (МПГП) на 58 % за показником RMSE. Удосконалено метод формування комбінованої поверхні відгуку із застосуванням кластерного аналізу з мінімальним зростанням вимірності простору ознак, що забезпечило збереження узагальнюючої здатності та підвищення точності моделей. Розроблено метод підвищення вимірності простору незалежних ознак вибірки шляхом використання вихідних сигналів шару підсумовування ймовірнісної нейронної мережі, який підвищив точність класифікації на 43 % і 9 % за F1-мірою відповідно до базових ШНМ. Розроблено нову методологію аугментації екстремально коротких вибірок біомедичних даних на основі декартового квадрата множини вхідних компонент векторів, що дозволило застосовувати різнотипні нелінійні моделі, зокрема, МПГП з РБФ-розширенням входів для реалізації процедури навчання. Завдяки цьому забезпечено підвищення точності розв’язання задач регресії (зниження RMSE до 59 %). Розроблено методи синтезу ансамблів неітеративних лінійних і нелінійних нейроподібних структур з використанням кусково-лінійної апроксимації, РБФ-розширення входів, симетричних випадкових зміщень з подальшим агрегуванням вихідних сигналів усіх членів ансамблю мета-моделлю, що дозволило підвищити точність результатів розв’язанням задач регресії та класифікації. Розроблено метод часткового усунення систематичної похибки шляхом використання ансамблю з двох ШНМ узагальненої регресії, що забезпечив зменшення RMSE на 4–8 %. Удосконалено метод глобально-локальної апроксимації, який підвищив точність на 13 %. Розроблено прямий та зворотний методи компенсації похибки моделі регресії на основі застосування раціональних дробів, що забезпечили зниження MSE на 9–11 %. Усі вищезазначені методи реалізовано в авторських програмних засобах, які захищено свідоцтвами про реєстрацію авторського права. Проведено експериментальну оцінку їх ефективності на модельних і реальних біомедичних даних. Достовірність отриманих результатів підтверджується результатами порівняння з існуючими методами машинного навчання та шляхом апробації в низці прикладних задач біоматеріалознавства, ревматології, травматології, стоматології та трансплантології. Впровадження здійснювалося у співпраці з медичними установами, науковими закладами та в межах міжнародних грантових проєктів, що підтверджено відповідними актами впровадження та використання. Ключові слова: біомедичні дані малих обсягів, штучний інтелект, ансамблеве навчання, штучна нейронна мережа, неітеративне навчання, аугментація даних, нелінійне розширення простору вхідних даних, каскадні методи, компенсація похибок моделі регресії, глобально-локальна апроксимація, раціональні дроби. Дата реєстрації 2025-08-18 Додано в НРАТ 2025-08-18 Закрити