Модели и алгоритмы обучения стохастических нейронных сетей для извлечения высокоточных представлений в задачах распознавания образовModels and algorithms for stochastic neural networks training for accurate feature extraction in pattern recognition tasks

Современные методы машинного обучения играют ключевую роль в решении задач распознавания образов, особенно при работе с большими объёмами данных и в задачах с высокой степенью неопределенности. В этих условиях возникают повышенные требования к качеству извлекаемых представлений и устойчивости моделей к шуму и ошибкам в данных. Одним из перспективных направлений на пути удовлетворения указанным требованиям является развитие стохастических нейронных сетей, способных не только эффективно извлекать информацию из данных, но и оценивать степень уверенности в своих предсказаниях. Предлагаемая диссертационная работа посвящена разработке новых методов обучения метрических пространств и многоклассовой классификации с использованием стохастических сетей плотности. В диссертации предложены оригинальные алгоритмы: гибридный подход к обучению метрических пространств, объединяющий классификационные и регрессионные способы обучения, а также алгоритм EXACT, позволяющий напрямую оптимизировать точность стохастических моделей классификации. Полученные результаты могут быть применены в задачах биометрии, веб-поиска, анализа изображений и других областях, где важны надёжность и точность предсказаний.