Дата публикации: 2020

Дата публикации в реестре: 2021-08-05T17:51:27Z

Аннотация:

Разработка эффективных методов синтеза новых научных знаний посредством создания моделей, обобщающих накопленные разнородные данные является актуальной задачей для областей с высокими затратами на получение каждого обучающего примера. В статье обосновывается использование для этих целей динамического вычислительного графа с известными уравнениями в узлах и измеряемыми или виртуальными переменными на гранях. Обучение графа осуществляется методом стохастического градиентного спуска и обратного распространения ошибки. Для вычисления ошибки используются как целевая, так и промежуточные переменные. Показано, что данный подход позволяет получить легко интерпретируемую и валидируемую модель для обучения которой используется весь набор имеющихся разнородных данных, описывающих исследуемый объект или явление.

Тип: Статья