Разработка технологии оптимизированного обучения нейросетей на малых выборках (One Shot Learning)

Исследователи, занимающиеся нейросетевым моделированием, зачастую сталкиваются с проблемой ограниченного набора обучающих данных. Это может быть связано как с проблемами поиска источника этих данных, так и с большой размерностью входных и выходных переменных решаемой задачи. Возникает дилемма: либо использовать в своей работе нейронную сеть с заведомо более сложной структурой, в результате чего она скорее всего будет просто воспроизводить запомненные данные, но не обобщать их, либо отказаться от нейросетевого моделирования вовсе и искать другие методы решения. Также сейчас практически отсутствует техническая возможность реализации нейросетей, способных быстро адаптироваться к резко изменяющимся условиям. Это существенно ограничивает их использование в управлении реальными процессами, например в беспилотном транспорте. Решить описанные выше проблемы способно создание методов существенного сокращения потребного набора обучающих данных, достаточного для получения нейросетью необходимых свойств. Участниками проекта создан необходимый научно-технический задел, обеспечивающий уверенность в достижимости заданных целей проекта. Достижение поставленных целей позволит перейти к модифицированному алгоритму обучения нейросетей, позволяющему существенно сократить необходимые объемы обучающей выборки, вплоть до единичных примеров, т.е. реализовать One Shot Learning нейросети, в том числе с возможностью самообучения. Разработка данной цифровой технологии станет существенным шагом в развитии искусственного интеллекта, позволит открыть новые, ранее недостижимые, возможности его использования.