Извлечение внутренних закономерностей спомощью методов самообучения:эффективные архитектуры, функции потерь, ицелевые задачи на основе особенностей в данныхIntrinsic pattern discovery withself-supervised learning:efficient architectures, loss functions, and data-specifictargets

Диссертация посвящена трём взаимосвязанным компонентам самоконтролируемого обучения: архитектурам моделей, функциям потерь и специфичным для данных вспомогательным задачам, применительно к визуальным данным, временным рядам с промышленных датчиков и графовым данным. Для визуальных данных предложены архитектуры на основе рекуррентных сетей с механизмами внимания и визуальных трансформеров для монокулярной оценки глубины, включая облегчённую модель для мобильных устройств. Отдельно разработаны подходы к визуальному распознаванию места на основе семантической и глубинной информации и фреймворк дистилляции знаний «учитель-ученик» для обнаружения 3D-объектов. В части временных рядов с промышленных датчиков разработаны специализированные функции потерь и архитектуры моделей взаимодействия, которые позволяют устойчиво диагностировать неисправности и предсказывать остаточный ресурс промышленного оборудования при минимальном объёме размеченных данных. На графовых данных предложены новые вспомогательные задачи: построение векторных представлений рёбер статических и динамических графов, обучение на молекулярных графах и формирование вознаграждения в обучении с подкреплением на основе графовых нейронных сетей. Результаты расширяют теоретическую базу самоконтролируемого обучения и апробированы в задачах промышленных партнёров. В их числе интеграция в задачах индустриальных партнеров.