Разработка и верификация алгоритмов и дополнительных математических моделей самообучения нейронных сетей и переноса обучения (transfer learning) на задачи с малым объемом размеченной выборки. Понимание влияния методов дистилляции сетей на качество переноса обучения

Объекты исследования данной работы – методы самообучения, переноса обучения, дистилляции нейронных сетей и их комбинации для построения вычислительно эффективных моделей с высокой обобщающей способностью. Цель работы — резюмировать существующие в литературе методы самообучения, переноса обучения и дистилляции нейронных сетей. Определить для каждой из задач область применимости и наиболее важные компоненты для достижения высокого качества.