Математики РУДН и Свободного университета Берлина предложили новый способ использования нейронных сетей для работы с зашумленными данными больших размерностей

Математики РУДН и Свободного университета Берлина предложили новый способ использования нейронных сетей для работы с зашумленными данными больших размерностей

Математики РУДН и Свободного университета г. Берлина предложили новый подход к изучению распределений вероятностей наблюдаемых данных с помощью искусственных нейронных сетей. Новый подход лучше взаимодействует с так называемыми выбросами — с теми объектами входных данных, которые значительно выделяются из общей выборки.

Восстановление распределения вероятностей наблюдаемых данных искусственными нейронными сетями — это наиболее важная часть машинного обучения. Распределение вероятностей не только позволяет прогнозировать поведение исследуемой системы, но и количественно оценить неопределенность, с которой делаются прогнозы. Главная трудность заключается в том, что, как правило, наблюдаются лишь сами данные, но их вероятностные распределения в точном виде не доступны. Для решения этой проблемы используют байесовские и близкие к ним приближенные методы. Но их использование увеличивает сложность нейронной сети и соответственно ее обучения.

Математики РУДН и Свободного университета г. Берлина использовали детерминированные веса для нейронных сетей, а выходами сетей закодировали распределения латентных переменных для искомого маргинального (частного) распределения. Анализ динамики обучения таких сетей позволил им получить формулу, которая корректно оценивает дисперсию распределения наблюдаемых данных, несмотря на наличие в данных выбросов. Предложенную модель проверили на разных данных: синтетических и реальных. Новый метод позволяет восстанавливать распределения вероятностей с более высокой точностью по сравнению с другими современными методами. Точность оценивалась по методу AUC (area under the curve — это площадь под графиком, который позволяет оценить среднеквадратичную ошибку предсказаний в зависимости от размера выборки, оцененной сетью как «надежная»; чем выше оценка AUC, тем качественнее предсказания).

Статья опубликована в журнале Artificial Intelligence.

Новости
Все новости
Наука
30 июня
Учёные РУДН создали новые вещества для борьбы с устойчивыми бактериями

Исследователи РУДН вместе с бельгийскими коллегами разработали новые химические соединения, которые могут блокировать образование бактериальных биоплёнок — плотных скоплений микробов, устойчивых к антибиотикам.

Наука
27 июня
При участии ученых РУДН разработаны биосовместимые нанотермометры без использования редкоземельных элементов

Сегодня в составе большинства аналогичных высокочувствительных термометров используют редкоземельные элементы — например, евробий или тербий — из-за их люминесцентных свойств. Исследователи РУДН совместно с учеными Университета ИТМО и Национального научного центра морской биологии им. А.В. Жирмунского предложили альтернативные инновационные нанотермометры на основе металлоорганических каркасов (MOF), в составе которых отсутствуют редкоземельные элементы.

Наука
25 июня
Олокизумаб эффективен при COVID-19 – исследование медика РУДН отмечено на всероссийском конгрессе

В Москве прошел XXXII Российский национальный конгресс «Человек и лекарство» для специалистов здравоохранения. Исследование Анны Абрамовой, аспиранта кафедры общей клинической фармакологии РУДН, отмечено дипломом победителя. Анна изучала тему «Роль олокизумаба в снижении воспаления и смертности у пациентов с COVID-19.