Дисертаційна робота: 208 с., 5 табл., 109 рис., 5 дод., 131 джерел.
ІНФОРМАЦІЙНА ТЕХНОЛОГІЯ НА ОСНОВІ САМОВАЛІДОВАНОЇ ГЕНЕРАТИВНОЇ ЗМАГАЛЬНОЇ МЕРЕЖІ
Метою дослідження є покращення якості генерування даних шляхом створення моделей, заснованих на архітектурі генеративних змагальних мереж, і методів оцінювання результатів їх генерування, а також створення інформаційної технології на основі самовалідованої генеративної змагальної мережі.
Об’єкт дослідження – процес створення, тренування та оцінювання результатів генеративних змагальних мереж.
Предмет дослідження – математичні моделі та методи глибокого навчання для генерування даних, оцінювання якості згенерованих даних.
У дослідженні використовувалась загальнонаукова методологія проведення досліджень і принципи системного підходу, а саме: аналіз літературних джерел та предметної області, огляд та порівняння існуючих моделей, експериментальні дослідження, комп’ютерні експерименти, проектування програмного забезпечення, методи машинного та глибокого навчання, методи комп’ютерного зору та обробки зображень.
З моменту прориву у сфері глибокого навчання у 2012 році генеративні моделі, зокрема генеративні змагальні мережі, стали ключовими інструментами створення штучних даних, які широко застосовуються у науці, дизайні, мистецтві та аугментації даних. Однак, попри досягнуті успіхи, генеративні змагальні мережі мають низку проблем, серед яких оцінювання якості результатів, об’єктивність вибору найкращих моделей та якість часткового генерування. Це вимагає розробки нової інформаційної технології самовалідованих генеративних змагальних мереж, яка забезпечуватиме якісне генерування даних разом із сегментаційними мітками, удосконалення метрик для оцінювання часткового генерування та створення доступного програмного забезпечення для широкого застосування.
Наукові положення, отримані під час написання дисертаційної роботи, сприяли розробленню та створенню інформаційної технології на основі самовалідованої генеративної змагальної мережі, яка може бути застосована для будь-яких доменів даних. Ця технологія покращує якість тренування систем машинного та глибокого навчання в задачах сегментації шляхом додавання якісно згенерованих даних разом із їх сегментаційною розміткою. Основні наукові результати та практичні розробки дисертаційної роботи пройшли апробацію на 6 наукових конференціях, у т.ч. в одній міжнародній. Опубліковано 4 статті у фахових журналах України зі спеціальності 126 та 1 стаття, що включена до наукометричної бази даних Scopus.
