Интерпретируемость обучения в системе обработки сигналов

Обложка

Цитировать

Полный текст

Открытый доступ Открытый доступ
Доступ закрыт Доступ предоставлен
Доступ закрыт Только для подписчиков

Аннотация

Рассмотрен программный комплекс, позволяющий генерировать алгоритмы автоматической классификации сигналов. Программный комплекс включает алгоритм, переводящий записи непрерывных сигналов в векторную форму, набор методов машинного обучения, а также средства интеллектуального анализа данных, направленные на достижение прозрачности и интерпретируемости обучения. В основе подхода лежит представление различий между сравниваемыми классами в виде совокупности относительно простых, статистически значимых и интерпретируемых эффектов, которые графически изображаются на двумерных диаграммах. Работа метода иллюстрируется на задаче оценки состояния улья по звуковым сигналам. Программный комплекс может быть использован при решении прикладных задач автоматической диагностики и анализа данных.

Об авторах

А. А. Докукин

Федеральный исследовательский центр “Информатика и управление” Российской академии наук

Автор, ответственный за переписку.
Email: dalex@ccas.ru
Россия, Москва

А. В. Кузнецова

Институт биохимической физики им. Н.М. Эмануэля Российской академии наук

Email: azforus@yandex.ru
Россия, Москва

Н. В. Окулов

ООО “Правильное Пчеловодство”

Email: stereoperm@yandex.ru
Россия, Пермь

О. В. Сенько

Федеральный исследовательский центр “Информатика и управление” Российской академии наук

Email: senkoov@mail.ru
Россия, Москва

В. Я. Чучупал

Федеральный исследовательский центр “Информатика и управление” Российской академии наук

Email: v.chuchupal@vail.ru
Россия, Москва

Список литературы

  1. Glorot X., Bordes A., Bengio Y. Deep Sparse Rectifier Neural Networks // Proc. Fourteenth Intern. Conf. on Artificial Intelligence and Statistics ({AISTATS} 2011). Fort Lauderdale, USA, 2011. V. 15. P. 315—323.
  2. Krizhevsky A., Sutskever I., Hinton G. E. Imagenet Classification with Deep Convolutional Neural Networks // Advances in Neural Information Processing Systems. 2012. No. 1. P. 1097—1105.
  3. Hastie T., Tibshirani R., Friedman J. Chapter 15. Random Forests. The Elements of Sta-tistical Learning: Data Mining, Inference, and Prediction. 2nd ed. Springer-Verlag, 2009.
  4. Cortes C., Vapnik V. Support-vector Networks // Machine Learning. 1995. V. 20. No. 3. P. 273—297.
  5. Breiman L. Random Forests // Machine Learning. 2001. V. 45. No. 1. P. 5—32.
  6. Freund Y., Schapire R. A Decision-Theoretic Generalization of On-Line Learning and an Application to Boosting // J. Computer and System Sciences. 1997. No. 55. P. 119—139.
  7. Schapire R. E., Freund Y. Boosting: Foundations and Algorithms. Cambridge, Massachusetts, London: MIT Press, 2012.
  8. Friedman J. Greedy Function Approximation: A Gradient Boosting Machine // The Annals of Statistics. 2001. V. 29. No. 5. P. 1189—1232.
  9. Журавлев Ю. И., Рязанов В. В., Сенько О. В. “Распознавание”. Математические методы. Программная система. Практические применения. М.: Фазис, 2006.
  10. Davis S., Mermelstein P. Comparison of Parametric Representations for Monosyllabic Word Recognition in Continuously Spoken Sentences // IEEE Transactions on Acoustics, Speech and Signal Processing. 1980. V. 28. No. 4. P. 357—366.
  11. Haibe-Kains B., Adam G. A., Hosny A. et al. Transparency and Reproducibility in Artificial Intelligence // Nature. 2020. No. 586. E14—E16.
  12. Kuznetsova A. V., Kostomarova I. V., Senko O. V. Modification of the Method of Optimal Valid Partitioning for Comparison of Patterns Related to the Occurrence of Ischemic Stroke in Two Groups of Patients // Pattern Recognition and Image Analysis. 2014. V. 24. \textnumero 1. P. 114—123.
  13. Senko O. V., Kuznetsova A. V., Matveev I. A., Litvinchev I. S. Chapter 8 — Search of Regularities in Data: Optimality, Validity, and Interpretability. Eds P. Vasant, J. Thomas, E. Munapo, G.-W. Weber Advances of Artificial Intelligence in a Green Energy Environment. Amsterdam: Acad. Press, 2022. P. 151—171.
  14. Good P. Permutation, Parametric and Bootstrap Tests of Hypotheses, 3rd Ed. N. Y.: Springer-Verlag, 2005.
  15. Pesarin F., Salmaso L. Permutation Tests for Complex Data: Theory, Applications and Software. Hoboken: John Wiley and Sons, Ltd 2010.
  16. Kim H. J., Fay M. P., Feuer E. J., Midthune D. N. Permutation Tests for Jointpoint Regression with Applications to Cancer Rates // Stat Med. 2000. No. 19. P. 335—351.
  17. Akaike H. A New Look at the Statistical Model Identification // IEEE Transactions on Automatic Control. 1974. V. 19. No. 6. P. 716—723.
  18. Schwarz G. Estimating the Dimension of a Model // Annals of Statistics. 1978. V. 6. P. 461—464.
  19. Rissanen J. Modeling by Shortest Data Description // Automatica. 1978. V. 14. No. 5. P. 465—658.
  20. Senko O. V., Dzyba D. S., Pigarova E., Rozhinskaya L. Ya., Kuznetsova A. V. A Method for Evaluating Validity of Piecewise-linear Models // Intern. Conf. on Knowledge Discovery and Information Retrieval (KDIR-2014). Rome, 2014. P. 437—443.
  21. Domingos P. The Role of Occam’s Razor in Knowledge Discovery // Data Mining and Knowledge Discovery. 1999. V. 3. No. 4. P. 409—425.
  22. Доровских И. В., Сенько О. В., Чучупал В. Я., Докукин А. А., Кузнецова А. В. Исследование возможности диагностики деменции по сигналам ЭЭГ с помощью методов машинного обучения // Мат. биология и биоинформатика. 2019. Т. 14. № 2. С. 543—553.
  23. Еськов Е. К., Тобоев В. А. Изменение структуры звуков, генерируемых пчелиными семьями в процессе социотомии // Зоол. журн. 2011. Т. 90. № 2. С. 192—198.
  24. Еськов Е. К. Генерация, восприятие и использование акустических и электрических полей в коммуникациях медоносной пчелы // Биофизика. 2013. Т. 58. № 6. C. 1051—1064.
  25. Дрейзин В. Э., Рыбочкин А. Ф., Захаров И. С. Акустический контроль пчелиных семей с помощью вычислительной техники // Пчеловодство. 2000. № 4. С. 25—27.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

© Российская академия наук, 2024