Загальна кількість
Повні тексти
Загальна кількість
Повні тексти
Кількість локальних репозитаріїв
Повні тексти
0823U100468,
Доктор філософії
15-12-2022
Запланована
Розріджено-розподілене подання структур даних у нейронних мережах
Вдовиченко Руслан Олександрович,
Керівник Тульчинський Вадим Григорович
Опонент Стіренко Сергій Григорович
Опонент Ревунова Олена Георгіївна
Рецензент Гупал Анатолій Михайлович
Рецензент Норкін Володимир Іванович
Дисертаційна робота присвячена дослідженню феноменологічних моделей пам’яті людини та тварин шляхом подання в нейронних мережах даних, що мають певну структуру (ієрархічну, семантичну тощо). Основним завданням дисертаційної роботи є побудова та аналіз гібридного семантичного сховища, яке би мало можливість зберігати цілісні дані (наприклад, структури взаємопов’язаних і послідовних пар ключ-значення) у нейронній мережі. Конструкції пам’яті для вирішення такої задачі пропонувались у 1990-их, проте не є практичними через недостатню масштабованість та низьку щільність зберігання. Запропонована модель CS-SDM за рахунок використання третьої теорії - стискаючих вимірювань - заповнює існуючий розрив між двома феноменологічними підходами до моделювання біологічної пам’яті. Усе вище перераховане зумовлює актуальність дисертаційної роботи. Наукова новизна роботи полягає в розробці та дослідженні характеристик нової гібридної моделі розріджено-розподіленої пам’яті CS-SDM. Ця модель вперше поєднала два напрями феноменологічного моделювання пам’яті, забезпечивши умови ефективного використання розріджено-розподіленої пам'яті типу SDM. Також уперше було запропоноване застосування теорії стискаючих вимірювань (CS) для моделювання природної пам'яті. Ефективність CS-SDM доведена як формально, так і експериментально. CS-SDM є першою штучною нейромережею, що у повній мірі та з практично придатною ємністю дозволяє зберегати структуровані данні, тобто придатна для збереження семантики. Модель CS-SDM має ряд прикладів застосування. CS-SDM з практично придатною ємністю дозволяє зберігати струкуровані данні, що відкриває перспективи її використання у різноманітних задачах штучного інтелекту та як складової нейромережних моделей у машинному навчанні. Також CS-SDM може використовуватись у тих галузях людської діяльності, де застосовується штучний інтелект: робототехніці, семантичному пошуку, генерації контенту у соціальних мережах, медичної діагностики тощо. В ході дослідження була розроблена програмна бібліотека з відкритими кодами, що реалізує CS-SDM на графічних процесорах (на платформі NVIDIA CUDA) і також містить реалізації адаптованих до збереження розріджених векторів конструкцій SDM Канерви і Джекела. Бібліотека впроваджена у складі Базового програмного забезпечення суперкомп'ютерного комплексу СКІТ у Центрі колективного користування обладнанням суперкомп'ютерного комплексу "СКІТ" (ЦККО СКК "СКІТ") в Інституті кібернетики ім.В.М.Глушкова НАН України. Код бібліотеки є відкритим та доступним для інших дослідників на платформі GitHub.
2023-07-10
2023-07-10
Оновлено: 2025-12-30
Збереження набору наукових даних відбувається в два етапи:
1.) Створення набору даних
Введіть назву набору, короткий опис набору (анотацію) та натисніть кнопку «Створити набір». Після цього автоматично буде створено чернетку набору даних, яку Ви можете зберігати для подальшої роботи з набором. Система перенаправить Вас на сторінку «Інформація про набір даних».
2.) Заповнення даних
На сторінці «Інформація про набір даних» Вам необхідно заповнити всі поля щодо набору даних і завантажити файли.
Зверніть увагу! Кожен файл завантажується окремо. Це зроблено для стабільної роботи системи.
Після того як Ви заповнили інформацію про набір наукових даних та додали необхідні файли, Ви можете зберегти чернетку або відправити дані в систему.
Зверніть увагу! Якщо дані відправлені Ви не можете їх змінювати.
Чернетки необхідні для зберігання набору даних і його редагування до моменту відправки.
Всі акаунти на сайті НРАТ проходять стандартну процедуру реєстрації і є верифікованими. Однак для того, щоб отримати додаткові можливості, такі як публікація відкритих рецензій на академічні тексти, необхідна верифікація за афіліацією.
В особистому кабінеті відображається поточний статус верифікації за афіліацією.
Щоб отримати статус «верифікований», необхідно змінити основну адресу електронної пошти на корпоративну, яка прив’язана до наукової установи або закладу освіти.
Наприклад: user@ukrintei.ua, user@nas.gov.ua
Для завершення процесу верифікації за афіліацією необхідно заповнити інформацію про себе в персональному кабінеті.
Обов’язковими є такі поля:
– ім’я,
– прізвище,
– науковий ступінь,
– вчене звання.
Всі інші поля є необов’язковими, але бажано їх заповнювати.
Після підтвердження корпоративної електронної скриньки та заповнення обов’язкових полів ваш акаунт буде автоматично верифіковано за афіліацією.
Якщо статус верифікаціїї не змінився одразу, спробуйте перезавантажити сторінку.
Якщо ваша електронна адреса є корпоративною і всі обов’язкові поля заповнені, але акаунт не має позначки верифікації, вам необхідно написати нам на електронну скриньку NRAT@ukrintei.ua. Після перевірки ми додамо вашу адресу в базу даних, і ваш акаунт буде верифіковано.
Після проходження процедури верифікації за афіліацією Ви можете змінити основну адресу електронної скриньки на зручну для вас, не втративши при цьому статусу верифікації.
Проходити верифікацію за афіліацією необхідно лише один раз.
* Ми використовуємо корпоративні адреси з Єдиної державної бази з питань освіти та Державного реєстру наукових установ, яким надається підтримка держави
Для пошуку новин, опублікованих на офіційному вебпорталі НРАТ у розділі «Новини» необхідно ввести у пошукове поле одне слово, декілька слів або точну фразу. Окремі слова розділяються проміжками.
Пошук виконується всюди – як у назві, так і у тексті новини.
Для отримання більш повного результату рекомендується використовувати основу слів (частини слів без закінчення).
При використанні для пошуку декількох слів вони поєднуються одним з логічних способів, описаних нижче.
За замовчуванням встановлено логічний сполучник “та”. У такому випадку результати пошуку будуть охоплювати усі публікації новин, де є вказані слова, навіть якщо вони розташовані окремо одне від одного і знаходяться у різних частинах тексту.
Приклад. Пошукова фраза: звіт ОЕСР. Результат пошуку: всі новини, які містять слово «звіт» та слово «оеср» як разом, так і окремо в тексті і в назві.
Якщо словосполучення чи фразу взяти у лапки (“), то результати будуть містити усі публікації, де зустрічається саме це словосполучення або фраза.
Приклад. Пошукова фраза: «звіт ОЕСР». Результат пошуку: всі новини, які містять точну фразу «звіт оеср».
Якщо Вам відома дата публікації новини або цікавить певний проміжок часу, в який вони були опубліковані на сайті, можна обрати таку дату чи інтервал дат у додатковому полі, що має вигляд календаря. Напис дати здійснюється у форматі рік-місяць-день і підтверджується натисканням на відповідну дату у випадаючому полі календаря. Можна вписувати дату або обирати, гортаючи сторінки календаря за місяцями та роками. За замовчуванням інтервал починається з більш давньої дати (2018-01-23) та завершується поточною.
Також Ви можете використовувати один або декілька хештегів, які розташовані під полем пошуку у правій частині екрану сторінки «Новин».
Зверніть увагу: пошук академічних текстів проводиться в окремому пошуковому вікні за посиланням https://nrat.ukrintei.ua/searchdb/
