Пошук академічних текстів

Інформація × Реєстраційний номер 2124U009199, Матеріали видань та локальних репозитаріїв Категорія Опубліковано, Стаття Назва роботи АНСАМБЛЬ ПРОСТИХ СПАЙКОВИХ НЕЙРОННИХ МЕРЕЖ В ЯКОСТІ ДЕТЕКТОРІВ ДРЕЙФУ КОНЦЕПЦІЇ Автор Бодянський Є. В.Савенков Д. В.Bodyanskiy Ye. V.Savenkov D. V. Дата публікації 26-12-2024 Постачальник інформації Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") Першоджерело https://ric.zp.edu.ua/article/view/316196 Видання National University "Zaporizhzhia Polytechnic" Опис Актуальність. У цій статті запропоновано новий підхід до виявлення дрейфу концепцій з використанням ансамблю простих спайкових нейронних мереж. Такий підхід використовує подієву природу та вбудовану здатність нейронів вивчати просторово-часові патерни, а ансамбль забезпечує додаткову робастність та масштабованість. Це може допомогти вирішити актуальну проблему обмеженості часових та обчислювальних ресурсів у задачах онлайн машинного навчання, особливо в дуже суворих середовищах, таких як IoT, які також мають інші переваги від використання шипінг-обчислень. Мета роботи. Метою роботи є створення ансамблю простих спайкових нейронних мереж для роботи в якості детектора концептуального дрейфу в задачах інтелектуального аналізу потоків даних в Інтернеті. Метод. Запропонований підхід в першу чергу базується на накопичувальній природі спайкових нейронних мереж, особливо негерметичних нейронів інтеграції-та-пострілу, які можна розглядати як одиниці пам’яті із затворами, де мембранна постійна часу Гm є константою балансу між запам’ятовуванням та забуванням інформації. Реалізовано алгоритм навчання, який використовує неглибоку двошарову SNN, що використовує ознаки та мітки даних як вхідний шар, а другий шар складається з одного нейрона. Активація цього нейрона означає, що відбувся різкий дрейф. Крім того, така модель використовується як базова модель в ансамблі для покращення робастності, точності та масштабованості. Результати. Ансамбль неглибоких двошарових SNN було реалізовано та навчено для виявлення різкого дрейфу концепції в потоці даних SEA. Ансамблю вдалося значно підвищити точність порівняно з базовою моделлю та досягти конкурентних результатів із сучасними передовими моделями. Висновки. Результати показали життєздатність запропонованого рішення, яке не тільки забезпечує дешеве і конкурентоспроможне рішення для середовищ з обмеженими ресурсами, але і відкриває двері для подальших досліджень здатності спайкових нейромереж вивчати просторово-часові патерни в потоках даних та інших областях. Додано в НРАТ 2026-02-15 Закрити