Россия
В статье рассмотрены и сравнены основные подходы к обучению моделей машинного и глубокого обучения на неструктурированных данных: контролируемое, неконтролируемое, самообучение и перенос обучения. Анализ проводится с точки зрения требований к объёму и качеству разметки, поддержки мультимодальных данных, вычислительной сложности и практической применимости в информационных системах. Показано, что самообучение и перенос обучения с использованием крупных предварительно обученных моделей позволяют эффективно использовать большие массивы неразмеченных данных и снижать затраты на разметку при сохранении высокого качества решений.
неструктурированные данные; машинное обучение; глубокое обучение; контролируемое обучение; неконтролируемое обучение; самообучение; self supervised learning; перенос обучения; крупные языковые модели; мультимодальные модели; информационные системы
1. Роннебергер О. U-Net: Свёрточные сети для биомедицинской сегментации изображений // Медицинская компьютерная томография и компьютерное вмешательство (MICCAI). 2015. URL: https://lmb.informatik.uni-freiburg.de/people/ronneber/u-net/ (дата обращения: 13.02.2025).
2. Фюлоп А., Хорват А. Сквозное обучение глубоких нейронных сетей в частотной области // Mathematics. 2022. Т. 10. С. 2132. DOI:https://doi.org/10.3390/math10132132.
3. Лу Х., Хуан Я., Чжан Ч. и др. Достижения в глубоком обучении для микроскопии сверхвысокого разрешения (приглашённый доклад) // Laser & Optoelectronics Progress. 2024. Т. 61, № 16. Ст. 1611002. DOI:https://doi.org/10.3788/LOP6124161002.
4. Машинное обучение для физических наук: воркшоп на NeurIPS 2022 [ML for Physical Sciences Workshop at NeurIPS 2022]. URL: https://ml4physicalsciences.github.io/2022/files/NeurIPS_ML4PS_2022_92.pdf (дата обращения: 13.02.2025).
5. Рудской А.И., Волков К.Н., Соколов Ю.А., Кондратьев С.Ю. Цифровые производственные системы: технологии, моделирование, оптимизация. СПб.: СПбПУ, 2020. 828 с.
6. Маркидис С. Старое и новое: Могут ли физически информированные методы глубокого обучения заменить традиционные линейные решатели? // Mathematics. 2022. Т. 10. С. 603. DOI:https://doi.org/10.3390/math9100603.
7. NVIDIA Solutions. URL: https://www.macnica.co.jp/en/business/semiconductor/manufacturers/nvidia/products/134046/ (дата обращения: 13.02.2025).
8. Сизая А. Моделирование теплопередачи и напряжений при лазерной сварке с использованием пакета FENICS // Английский язык в сфере профессиональных коммуникаций: Сб. докл. VII Всерос. молодежной науч. конф. Казань, 2021. С. 249-251.
9. Appercase News. URL: https://www.appercase.ru/news/27220/ (дата обращения: 13.02.2025).
10. Assured Systems. URL: https://www.assured-systems.com/nvidia-jetson-agx-xavier-for-new-era-of-ai-in-robotics/ (дата обращения: 13.02.2025).
11. Sigma Labs News. URL: https://3dprintingindustry.com/news/sigma-labs-printrite3d-platform-made-compatible-with-polymer-3d-printing-201503/ (дата обращения: 13.02.2025).
12. Николенко, С. Д. Моделирование возникновения внутренних напряжений в сложной структуре материала / С. Д. Николенко, С. П. Козодаев, С. А. Сазонова // Моделирование систем и процессов. – 2024. – Т. 17, № 2. – С. 50-61. – DOIhttps://doi.org/10.12737/2219-0767-2024-17-2-50-61.
13. Сазонова, С. А. Моделирование процесса диагностики утечек на основе двухальтернативной гипотезы с учетом помех от стохастичности потребления в гидравлической системе / С. А. Сазонова, И. В. Щербакова, Г. И. Сметанкина // Моделирование систем и процессов. – 2024. – Т. 17, № 1. – С. 111-120. DOI: https://doi.org/10.12737/2219-0767-2024-17-1-111-120
14. Регрессионный анализ оценки загрузки платного отделения стоматологической поликлиники / Т. П. Новикова, А. А. Бодин, А. И. Заревич // Научно-технический вестник Поволжья. – 2023. – № 3. – С. 77–80.
15. Математическая модель индуктивного делителя напряжения с электронной компенсацией / А. И. Заревич, С. В. Муравьев // Известия Томского политехнического университета. – 2010. – Т. 317, № 4. – С. 129–133.
16. Approximation of the absorption spectrum of indium phosphide in the context of simulation of the process of sensation / Ph. V. Makarenko, V. K. Zolnikov, A. I. Zarevich [et al.] // Russian Microelectronics. – 2024. – Vol. 53, № 4. – P. 329–338. – DOIhttps://doi.org/10.1134/S1063739724040041. DOI: https://doi.org/10.1134/S1063739724600481
17. Формирование ИКТ-компетентности студентов специальности «Информатика» / А. В. Полуэктов // Информационно-коммуникационные технологии в педагогическом образовании. – 2009. – № 3 (3). – С. 8–11. – EDN SAXGJX.
