Search academic texts

Information × Registration Number 0826U000700, PhD dissertation Status Доктор філософії Date 26-05-2026 popup.evolution o Title Optimization of Generative Adversarial Networks under Hardware-Parametric Constraints Author Oleksandr Striuk, popup.head Yurii P. Kondratenko popup.opponent Yevgeniy V. Bodyanskiy popup.opponent Volodymyr Opanasenko popup.review Iryna M. Zhuravska popup.review Oleksandr M. Trunov Description Дисертаційне дослідження спрямоване на подолання недоліків генеративних змагальних нейронних мереж (ГЗМ), таких як висока ресурсномісткість, нестабільність процесів навчання та неадаптованість до роботи в умовах апаратно-параметричних обмежень кордонних пристроїв, що підтверджує актуальність дисертації та практичну цінність для розвитку сучасних інтелектуальних систем. Метою дослідження є розробка та удосконалення методів оптимізації ГЗМ для підвищення ефективності складних динамічних процесів їх навчання та генерації нових даних з розширенням спектру їх застосування в умовах апаратно-параметричних обмежень кордонних пристроїв, вбудованих систем контролю та мікропроцесорних архітектур. Наукова новизна отриманих результатів визначається особистим внеском автора у вирішення актуального наукового завдання галузі знань 12 Інформаційні технології, яке полягає в структурній реконфігурації архітектур ГЗМ, розробці методів оптимізації та механізмів їх гібридного комбінування для процесів навчання ГЗМ та апаратно-орієнтованій адаптації кордонних пристроїв та мікрокомп’ютерних компонентів. В роботі вперше розроблено математичну модель каскадної оптимізації ГЗМ, яка, на відміну від існуючих, базується на ієрархічній декомпозиції простору гіперпараметрів та врахуванні адаптивної динаміки навчання, що дозволяє забезпечити необхідну точність та швидкодію функціонування ГЗМ в умовах апаратно-параметричних обмежень кордонних пристроїв. Вперше розроблено мультифазовий метод оптимізації навчання ГЗМ, який, на відміну від існуючих, базується на багаторівневому механізмі адаптивної конвергенції, що дозволяє запобігати колапсу моди та зникненню градієнтів функцій втрат без підвищення обчислювальної складності процедури навчання. Удосконалено механізм адаптації ГЗМ, який ґрунтується на гібридному комбінуванні каскадного та мультифазового методів в поєднанні з апаратом нечіткої логіки, що дозволяє комплексно підвищити ефективність навчання та якість генерації штучних даних в задачах виявлення аномалій, біометрії та комп’ютерного зору, зокрема знизити функцію втрат генератора у 3,5 рази, уникнути перенавчання дискримінатора (на рівні ~92%), прискорити збіжність ГЗМ в 7,6 разів, покращити метрику FID у 2,3 рази та досягти точності виявлення аномалій AUC = 0,92 із забезпеченням повноти (Recall) на рівні 1,0. Набув подальшого розвитку програмно-апаратний метод реалізації повного циклу функціонування ГЗМ на кордонних пристроях, який базується на інтеграції квантованого навчання та апаратно-орієнтованої каскадної оптимізації, що забезпечує реалізацію реконфігурованих архітектур ГЗМ з врахуванням апаратно-параметричних обмежень та їх функціювання в режимі реального часу зі зменшенням розміру імітаційної моделі в 3,9 рази та прискоренням процесу інференсу в 3,2 рази. Результати роботи формують науково-практичну основу для створення автономних систем штучного інтелекту, здатних ефективно функціювати в умовах дефіциту енергії та обчислювальних потужностей. Розроблені рішення можуть бути безпосередньо імплементовані у широкий спектр апаратно-обмежених інженерних середовищ: від портативних біометричних сенсорів до автономних дронів та вбудованих систем контролю. Розроблені методи оптимізації також можуть бути адаптовані для інших типів нейронних мереж, що відкриває нові перспективи для їхнього застосування. Отримані результати дослідження мають вагоме прикладне значення для практичної реалізації та розгортання ГЗМ на кордонних пристроях, а також для автоматизації процесів синтезу захищених біометричних даних, підвищення роздільної здатності зображень і виявлення аномалій у системах фінансового моніторингу та безпеки. Розроблені підходи придатні для застосування в інтелектуальних контурах автономних платформ Інтернету речей (IoT), у вбудованих системах контролю та підтримки прийняття рішень, комплексах безпеки індустріальних об'єктів, наукових дослідженнях, а також у навчальному процесі підготовки фахівців за спеціальностями 123 Комп’ютерна інженерія та 122 Комп’ютерні науки. Registration Date 2026-03-30 popup.nrat_date 2026-03-30 Close