| DC Field | Value | Language |
|---|
| dc.contributor.author | Мацкевич, В. В. | - |
| dc.coverage.spatial | Минск | en_US |
| dc.date.accessioned | 2026-09-04T06:47:48Z | - |
| dc.date.available | 2026-09-04T06:47:48Z | - |
| dc.date.issued | 2026 | - |
| dc.identifier.citation | Выбор архитектуры нейронной сети в задаче классификации = Neural Network Architecture Selection in Classification Problem / В. В. Мацкевич // Доклады БГУИР. – 2026. – Т. 24, № 4. – С. 81–88. | en_US |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/65642 | - |
| dc.description.abstract | Нейросетевая обработка данных большой размерности требует значительных вычислительных ресурсов. Неверный выбор архитектуры нейронной сети или преобразования данных может привести к существенным потерям времени и ресурсов на повторное обучение сети. В статье предлагается алгоритм выбора архитектуры сжимающих слоев глубокой доверительной сети и преобразования данных на основе анализа многомерной матрицы несоответствий. Введенный обобщенный коэффициент перекоса описывает равномерность распределения объектов между классами нейронной сети и позволяет численно оценить эффективность архитектуры сжимающих слоев сети и преобразования данных. На примере прикладной
задачи показано, что предложенный алгоритм повышает качество ее решения более чем на 10 % путем выбора наиболее эффективной архитектуры нейросети. | en_US |
| dc.language.iso | ru | en_US |
| dc.publisher | БГУИР | en_US |
| dc.subject | доклады БГУИР | en_US |
| dc.subject | входные данные | en_US |
| dc.subject | нейронные сети | en_US |
| dc.subject | преобразование данных | en_US |
| dc.title | Выбор архитектуры нейронной сети в задаче классификации | en_US |
| dc.title.alternative | Neural Network Architecture Selection in Classification Problem | en_US |
| dc.type | Article | en_US |
| dc.identifier.DOI | http://dx.doi.org/10.35596/1729-7648-2026-24-4-81-88 | - |
| local.description.annotation | Neural network processing of high-dimensional data requires significant computing resources. An incorrect choice of neural network architecture or data transformation can lead to significant losses of time and resources in network retraining. This article proposes an algorithm for selecting the architecture of compressive layers for a deep belief network and data transformation based on the analysis of a multi-label confusion matrix. The introduced generalized skewness coefficient describes the uniformity of the distribution of objects between neural network classes and allows for a numerical evaluation of the effectiveness of the network’s compressive
layer architecture and data transformation. Using an applied problem as an example, it is demonstrated that the proposed algorithm improves the quality of its solution by more than 10 % by selecting the most effective neural network architecture. | en_US |
| Appears in Collections: | Том 24, № 4
|
