Сучасні методи розпізнавання зображень є чутливими до різного типу збурень, що актуалізує розроблення резільєнтних інтелектуальних алгоритмів для критичних до безпеки застосувань. Мета статті - розроблення моделі і методу навчання класифікатора, що проявляє характеристики резільєнтності до протиборчих атак, інжекції несправностей та дрейфу концепцій. Запропонована модель має ієрархічну структуру прототипів та гіперсферичні межі класів, що формуються у просторі високорівневих ознак. Межі класів оптимізуються під час навчання і забезпечують поглинання збурень та витончену деградацію. У запропонованому методі навчання передбачається застосування комбінованої функції втрат, що дозволяє використання як розмічених, так і нерозмічених даних, реалізує компресію ознакового подання до дискретної форми і забезпечує компактність розподілу класів і максимізацію буферної зони між класами. Основною складовою функції втрат є усереднене за алфавітом класів значення нормованої модифікації інформаційної міри Шеннона, що виражена як функціонал точністних характеристик. При цьому точністні характеристики обчислюються на основі згладжених версій розподілу результатів перевірки статистичних гіпотез. Експериментально підтверджено, що запропонований підхід забезпечує певний рівень поглинання збурень, витончену деградацію та відновлення. Під час тестування запропонованого алгоритму на наборі даних Cifar10 встановлено, що інтегральний показник резільєтності до ушкодження тензорів інверсією одного випадково обраного біту становить близько 0,95, якщо частка ушкоджених тензорів не перевищує 30 %. Також, під час тестування запропонованого алгоритму було встановлено, що протиборча атака зі збуренням, що не перевищує за L<$E inf>-нормою поріг рівний 3, забезпечує резільєнтність, яка перевищує за інтегральним показником значення 0,95. Крім того інтегральний показник резільєнтності під час адаптації до появи двох нових класів становить 0,959. Інтегральний показник резільєнтності до реального дрейфу концепцій між двома класами становить 0,973. Підтверджено здатність адаптації до появи нових класів або дрейфу концепцій в 8 разів швидше, ніж навчання з нуля.

 Наукова періодика України 

---

Додаткова інформація про автора(ів) публікації:
(cписок формується автоматично, до списку можуть бути включені персоналії з подібними іменами або однофамільці)

• Москаленко Валентина Анатоліївна (економічні науки)
• Москаленко Валентина Володимирівна (філософські науки)
• Москаленко Валентина Володимирівна (економічні науки)
• Москаленко Владислав Андрійович (1938–) (фізико-математичні науки)
• Москаленко Анатолій Михайлович (1966–) (економічні науки)
• Москаленко Олександр Артемович (технічні науки)
• Москаленко Анастасія Олексіївна (філологічні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"