Диссертация
№ 423052500073-3Дискретная оптимизация на основе управления ансамблем алгоритмов
25.05.2023
Целью является сокращение времени выбора алгоритма машинного обучения и его гиперпараметров с помощью методов обучения с подкреплением.
Актуальность. В современном мире во многих областях востребованы такие задачи как кластеризация и классификация.
Несмотря на наличие систем автоматического машинного обучения, задача выбора алгоритма машинного обучения и настройки его гиперпараметров является экспертной. Большая часть такой работы выполняется человеком вручную, а оптимизация гиперпараметров проводится отдельно от выбора алгоритма, что затратно по времени и неэффективно.
Таким образом, актуальность разработки методологии, подходов, алгоритмов и программных средств автоматизации поиска алгоритмов машинного обучения и оптимизации их гиперпараметров для решения задач машинного обучения крайне высока.
В работе используются методы машинного обучения, в частности, методология и методы обучения с учителем (классификация), обучения без учителя (кластеризация), и обучения с подкреплением, методы дискретной и непрерывной оптимизации, методы дискретной математики.
Научная новизна и результаты.
1. Впервые предложены методы одновременного выбора алгоритма и оптимизации его гиперпараметров в задачах классификации и кластеризации на основе принципов обучения с подкреплением.
2. Впервые предложен подход к оптимизации с использованием ансамбля оптимизационных алгоритмов на основе принципов обучения с подкреплением.
3. Впервые предложен метод построения маршрута для решения задачи о погрузке и доставке на основе эволюционного алгоритма с использованием обучения с подкреплением.
Практическое значение работы состоит универсальности предлагаемого подхода к оптимизации с использованием ансамбля оптимизационных алгоритмов. На основе разработанных методов можно создать библиотеку автоматического машинного обучения. Также предложенный метод позволяет эффективно решать задачу о погрузке и доставке. Практическая ценность результатов диссертационного исследования подтверждается актами о внедрении результатов исследования.
ГРНТИ
28.23.02 Общие проблемы искусственного интеллекта
Ключевые слова
машинное обучение
оптимизация гиперпараметров
дискретно-непрерывная оптимизация
обучение с подкреплением
маршрутизация
АвтоМЛ
AutoML
hyperparameter optimization
Детали
Автор
Шаламов Вячеслав Владимирович
Вид
Кандидатская
Целевое степень
Кандидат технических наук
Дата защиты
15.05.2023
Организация защиты
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ ИТМО"
Организация автора
ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ АВТОНОМНОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "НАЦИОНАЛЬНЫЙ ИССЛЕДОВАТЕЛЬСКИЙ УНИВЕРСИТЕТ ИТМО"
Похожие документы
Интеграция иерархических ансамблей и трансформерных архитектур в алгоритмы обучения с подкреплением
0.895
Диссертация
Эволюционные методы оптимизации для автоматической настройки гиперпараметров тематических моделей с аддитивной регуляризацией
0.893
Диссертация
Методы выбора моделей машинного обучения для систем искусственного интеллекта в условиях малых выборок
0.892
Диссертация
Вычислительно эффективные алгоритмы машинного обучения на основе новых метрик ансамблевого сходства в условиях неполноты обучающей информации
0.891
ИКРБС
Адаптивные коллективные нейроэволюционные алгоритмы интеллектуального анализа данных
0.891
Диссертация
Метод проектирования метаэвристических алгоритмов дискретной оптимизации, использующих вспомогательные оптимизируемые критерии, основанный на обучении с подкреплением
0.889
Диссертация
Способ и система автоматизированного выбора модели машинного обучения и оптимизации её гиперпараметров
0.888
РИД
Разработка новых оптимизационных формулировок и алгоритмов их решения для современных задач обучения искусственного интеллекта
0.888
НИОКТР
Лаборатория автоматического машинного обучения (промежуточный, этап 1)
0.887
ИКРБС
Алгоритмы идентификации нелинейных динамических моделей на основе методик обучения с подкреплением
0.886
НИОКТР