Regisztráció és bejelentkezés

TiliNG: Új Növekvő Neurális Gáz variáns sűrűség független állapottér reprezentációhoz és alkalmazási lehetőségei

A több évtizede ismert és használt GNG (Growing Neural Gas) algoritmusok egyszerű, gyors megoldást kínálnak nagy mennyiségű megfigyelés kis számú diszkrét állapottal való reprezentálására, valós idejű klaszterezésére.

A következő problémák kezelését illetően az eddig ismert GNG algoritmusokban hiányt észleltünk:

- Néhány feladat esetében a megfigyelések valószínűségi eloszlása időben változó lehet. Ezen változásokhoz általában a GNG algoritmusok csak úgy tudnak alkalmazkodni, hogy közben elfelejtik a múltbéli viselkedést.

- Az alapvető GNG eljárások több hiperparamétert is tartalmaznak, melyeket csupán heurisztikus módszerekkel állíthatunk be és ezektől nagyban függhet az algoritmus eredményeképp előálló állapottér.

- A jelenleg ismert GNG variánsok azokat a területeket, ahová sok megfigyelés esik, sok állapottal fedik le, míg a ritka megfigyeléseket gyakran teljesen figyelmen kívül hagyják. Ez a működés bizonyos alkalmazások esetén hátrányos lehet.

A mi célunk egy olyan GNG alapú algoritmus fejlesztése, ami a fent említett nehézségeket kiküszöböli, így eredményezve egy jobb állapottér reprezentációt. Kiemelt figyelmet fordítunk az időbeli változások követésére, úgy, hogy az ne a korábban felépített állapottér rovására történjen. Szintén fontosnak tartjuk, hogy a keletkező állapottér a tanuló minták sűrűségétől független legyen, ezzel a ritkán előforduló megfigyelések is reprezentálásra kerülnek, és nem vesznek el a keletkező állapotok között. Végül a legtöbb GNG variáns sok hiperparaméterrel dolgozik, mi szeretnénk ezeknek a számát minimálisra csökkenteni, így nem csak a hiperparaméterek által bevitt bizonytalanságot elimináljuk a rendszerből, de egy könnyebben használható eszközt is kapunk. Ezzel a három tulajdonsággal reményeink szerint megnyitjuk az utat ezen GNG variáns effektív alkalmazására olyan területeken, mint a nagy sebességű klaszterezés, gyors Voronoi approximáció, vagy éppen az anomália detekció.

szerzők

  • Szalai Márk Dániel
    Mérnök informatikus szak, alapképzés
    alapképzés (BA/BSc)
  • Kádár Attila
    Mérnök informatikus szak, alapképzés
    alapképzés (BA/BSc)

konzulens

  • Dr. Horváth Gábor
    docens, Hálózati Rendszerek és Szolgáltatások Tanszék