РЕГУЛИЗАЦИЯ МЕН КОАССОЦИАЦИЯЛЫҚ МАТРИЦАНЫ ПАЙДАЛАНА ОТЫРЫП НАШАР БАҚЫЛАНАТЫН РЕГРЕССИЯ ЕСЕБІН ШЕШУ

Қазіргі уақытта машиналық оқыту теориясы мен әдістері (МТ) қарқынды дамып келеді және ғылым мен техниканың әртүрлі салаларында, атап айтқанда, өндірісте, білім беруде және медицинада көбірек қолданылуда. Нашар бақыланатын оқыту – əртүрлі ақпаратты талдаудың модельдері мен әдістерін әзірлеуге бағытталған машиналық оқыту зерттеулерінің бөлігі. Нашар бақыланатын оқу мәселесін қарастыру кезінде, модельдегі кейбір объектілер дұрыс емес белгіленген деп есептеледі. Бұл дәлсіздікті әртүрлі түсінуге болады. Нашар бақыланатын оқыту – бұл толық дұрыс белгіленген деректерді пайдаланудың орнына, толық, дәл емес немесе анық емес бақылау сигналдарын қолдану арқылы модель оқытылатын машиналық оқыту техникасының бір түрі. Нашар бақылау әртүрлі себептерге байланысты нақты мәселелерде жиі туындайды. Бұл деректерді белгілеу үрдісінің қымбат болуына, сенсорлардың дәлдігінің нашарлығына, мамандардың біліктілігінің жеткіліксіздігіне немесе адамның қателігіне байланысты болуы мүмкін. Мысалы, нашар бақылауды белгілеу краудсорсинг әдістерін қолдана отырып алынған жағдайларда жүзеге асырылады: әр объект үшін әртүрлі белгілер жиынтығы бар, олардың сапасы орындаушылардың шеберлігіне байланысты. Тағы бір мысал кескіндегі объектілерді анықтау есебі. Шектеу сызықтары объектілерді анықтау есептерінде кескінде анықталған объектілердің орны мен көлемін көрсетудің жалпы тәсілі. Жұмыста Вассерштейн метрикасын, әртүрлі жүйелеуді және ұқсастық матрицасы ретінде коассоциация матрицасын пайдалана отырып, көп мақсатты нашар бақыланатын регрессия есебін шешу алгоритмін ұсынамыз. Жұмыста орташа салмақты ұқсастық матрицасын есептеу алгоритмі де жетілдірілді. Соңында біз ұсынылған алгоритмді синтетикалық және нақты деректердегі бақылаудағы оқытудың және нашар бақыланатын оқытудың алгоритмдерімен салыстырамыз.

1. Qin Q., Zhou X., Jiang Y. (2021) Prognosis Prediction of Stroke based on Machine Learning and Explanation Model, International Journal of Computers, Communications and Control, vol. 6, pp. 1–13.

2. Merembayev T., Amirgaliyeva S. & Kozhaly K. (2021) Using item response theory in machine learning algorithms for student response data. In 2021 IEEE International Conference on Smart Information Systems and Technologies (SIST), pp. 1–5. IEEE

3. Shahana I., Tri N., Xiao F.][ Fu D.Y., Chen M.F., Zhang M., Fatahalian K., Ré C. The Details Matter: Preventing Class Collapse in Supervised Contrastive Learning. Computer Science Math. Forum 2022.

4. Xiao Y., Yin Z., Liu B. (2020) A similarity-based two-view multiple instance learning method for classification. Knowl.-Based Syst., pp. 201–202.

5. Qian X., Lin C., Chen Z., Wang W. (2024) SAM-Induced Pseudo Fully Supervised Learning for Weakly Supervised Object Detection in Remote Sensing Images. Remote Sens., vol. 16, p. 1532.

6. Zheng S., Wu Z., Xu Y., Wei Z. (2024) Weakly Supervised Object Detection for Remote Sensing Images via Progressive Image-Level and Instance-Level Feature Refinement, Remote Sens., no. 16, p. 1203.

7. Tan C., Song W. (2024) Weakly Supervised Depth Estimation for 3D Imaging with Single Camera Fringe Projection Profilometry, Sensors, no. 24, p. 1701.

8. Wang Z., Zhang J., Bai L., Chang H., Chen Y., Zhang Y., Tao J. (2024) A Deep Learning Based Platform for Remote Sensing Images Change Detection Integrating Crowdsourcing and Active Learning, Sensors, no. 24, p. 1509.

9. Yang Z., Mahajan D., Ghadiyaram D., Nevatia R., Ramanathan V. (2019) Activity driven weakly supervised object detection, pp. 2912–2921.

10. Zhou Z.H. (2017) A brief introduction to weakly supervised learning. Natl. Sci. Rev., no. 5, pp. 44–53.

11. Bogachev V.I., Kolesnikov A. (2012) The Monge-Kantorovich problem: achievements, connections, and perspectives Russ. Math. Surv., 67, pp. 785–890.

12. Aggarwal C.C., Hinneburg A., Keim D.A. (2001) On the surprising behavior of distance metrics in high dimensional space. In: Van den Bussche, J., Vianu, V. (eds.) ICDT 2001. LNCS, vol. 1973, pp. 420–434. Springer, Heidelberg.

13. Kaya H., Tьfekci P., Uzun E. (2019) Predicting CO and NOx emissions from gas turbines: novel data and a benchmark PEMS. Turk. J. Electr. Eng. Comput. Sci., 27, pp. 4783–4796.

14. Al-Mekhlafi Z., Senan E., Rassem T., Mohammed B., Makbol N., Alanazi A., Almurayziq T., Ghaleb F. (2022) Deep learning and machine learning for early detection of stroke and haemorrhage, Comput. Mater. Contin., 72, pp. 775–796.

15. Alhakami H., Alraddadi S., Alseady S., Baz A., Alsubait T. (2020) A Hybrid Efficient Data Analytics Framework for Stroke Prediction. Int. J. Comput. Sci. Netw. Secur, 20, pp. 240–250.

16. Higham N. (2002) Accuracy and Stability of Numerical Algorithms. SIAM.

17. Cherikbayeva L., Daiyrbayeva E., Yerimbetova A. Research of Cluster Analysis Methods for Group Solutions of the Pattern Recognition Problem, Proceedings – 6th International Conference on Computer Science and Engineering, UBMK 2021, pp. 494–497. Date Added to IEEE Xplore: 13 October 2021.

18. Merembayev T., Kurmangaliyev D., Bekbauov B., Amanbek Y. (2021) A Comparison of machine learning algorithms in predicting lithofacies: Case studies from Norway and Kazakhstan. Energies, vol. 14, no. 7.

19. Abdrazakuly N., Сherikbayeva L. (2023) Creation Of An Effective Image Processing Algorithm Based On An Ensemble Approach, Journal of Problem in Computer Science and Information Technologies, no. 3(1). https://doi.org/10.26577/1i32jpcsit2308

20. UC Irvine Machine Learning Repository: Gas Turbine CO and NOx Emission Data Set, 06 April 2021. https://archive.ics.uci.edu/ml/datasets/Gas+Turbine+CO+and+NOx+Emission+Data+Set