Научный архив: статьи

Задача на определение знака числа является одной из проблемных в системе остаточных классов. Эта операция играет фундаментальную роль, поскольку лежит в основе других сложных для реализации операций, таких как сравнение чисел и деление. Традиционные алгоритмы основываются на вычислениях с определенными, специально подобранными наборами модулей, что делает такие алгоритмы эффективными только для ограниченного круга задач. Цель данной работы состоит в разработке нового алгоритма определения знака числа в системе остаточных классов. Новизна представленного алгоритма заключается в использовании дробных значений в модифицированной версии Китайской теоремы об остатках, что в свою очередь обеспечивает универсальность алгоритма и его применимость в системах остаточных классов любого типа. Разработанный подход позволяет эффективно определять знак числа в системе остаточных классов, не накладывая ограничений на выбор конкретного набора модулей. Программное моделирование показало увеличение быстродействия работы разработанного алгоритма в сравнении с известным методом на основе быстрого преобразования в обобщенной позиционной системе счисления. Полученные результаты могут эффективно использоваться в различных системах цифровой обработки сигналов и задачах машинного обучения.

Основная проблема использования стандартных методов оптимизации заключается в необходимости изменять все параметры шагами одинакового размера, независимо от поведения градиента. Более эффективный способ оптимизации нейронной сети состоит в том, чтобы установить адаптивные размеры шага для каждого параметра. Стандартные методы основаны на квадратных корнях экспоненциальных оценок моментов квадратов прошлых градиентов и не используют локальное изменение градиентов. В работе представлены методы адаптивной невыпуклой и доверительной оптимизации с положительно-отрицательной оценкой моментов с соответствующими теоретическими гарантиями сходимости. Данные подходы позволяют более точно сходиться функции потери в области глобального минимума за меньшее количество итераций. Использование преобразований положительно-отрицательной оценки момента и дополнительного параметра, регулирующего размер шага, позволяют обходить локальные экстремумы для достижения более высокой производительности по сравнению с аналогичными методами. Внедрение разработанных алгоритмов в процесс обучения различных архитектур мультимодальных нейросетевых систем анализа гетерогенных данных позволило повысить точность распознавания пигментных новообразований кожи на 2,33 – 5,69 процентных пункта по сравнению с известными методами оптимизации. Мультимодальные нейросетевые системы анализа разнородных дерматологических данных, обученные с применением предложенных алгоритмов оптимизации, могут использоваться в качестве инструмента вспомогательной медицинской диагностики, который позволит сократить потребление финансовых и трудовых ресурсов, задействованных в медицинской отрасли, а также повысить шанс раннего выявления пигментных онкопатологий.