A system for generating training samples in semi-supervised learning tasks based on generative-competitive networks

Abstract

In today's world of rapid technological development, artificial intelligence (AI) is taking a special place, being implemented in various areas of human activity, ranging from industrial automation to creative professions. Among the areas of AI research, generative adversarial networks (GANs) have proven to be a promising tool for generating new data that mimics real-world patterns. GANs play a key role in the development of machine learning, in particular, in image synthesis, natural language processing, music creation, and other tasks. The relevance of the research topic is due to the rapid development of neural networks and the need to create efficient and reliable systems that can adapt to changing production conditions and market needs. Despite the large number of studies in this area, the structural-parametric synthesis of ANNs still requires in-depth study to optimize the network training process and improve the quality of the generated data. The purpose of this master's thesis is to develop structural-parametric synthesis methods for optimizing GANs, which will improve the accuracy and diversification of the generated data. As part of the work, the author of the master's thesis investigated the following aspects: analysis of existing GAN architectures, development of new methods of structural synthesis and parametric optimization, experimental verification of the developed methods on real data. The object of research is generatively adversarial networks, and the subject is methods of their structural and parametric synthesis. In the course of the work, the author used such research methods as analysis of scientific literature, computer modeling, experimental methods, and statistical data processing. As a result of the work, it is expected to obtain a model of GAN with improved characteristics, which will expand the possibilities of their practical use in various fields, such as visual art, design automation, game development, and other areas where it is necessary to generate high-quality content.

У сучасному світі стрімкого розвитку технологій штучний інтелект (ШІ) займає особливе місце, впроваджуючи його в різні сфери людської діяльності, починаючи від промислової автоматизації і закінчуючи творчими професіями. Серед сфер досліджень штучного інтелекту генеративні змагальні мережі (GAN) виявилися перспективним інструментом для створення нових даних, які імітують моделі реального світу. GAN відіграють ключову роль у розвитку машинного навчання, зокрема, в синтезі зображень, обробці природної мови, створенні музики та інших завданнях. Актуальність теми дослідження зумовлена швидким розвитком нейронних мереж та необхідністю створення ефективних і надійних систем, здатних адаптуватися до мінливих умов виробництва та потреб ринку. Незважаючи на велику кількість досліджень у цій галузі, структурно-параметричний синтез ШНМ все ще потребує поглибленого вивчення для оптимізації процесу навчання мережі та підвищення якості генерованих даних. Метою даної магістерської роботи є розробка методів структурно-параметричного синтезу для оптимізації GAN, що дозволить підвищити точність та диверсифікацію згенерованих даних. В рамках роботи автором магістерської роботи були досліджені наступні аспекти: аналіз існуючих архітектур GAN, розробка нових методів структурного синтезу та параметричної оптимізації, експериментальна перевірка розроблених методів на реальних даних. Об’єктом дослідження є генеративно змагальні мережі, а предметом – методи їх структурного та параметричного синтезу. У ході роботи автор використовував такі методи дослідження, як аналіз наукової літератури, комп’ютерне моделювання, експериментальні методи, статистична обробка даних. В результаті роботи очікується отримати модель GAN з покращеними характеристиками, що розширить можливості їх практичного використання в різних сферах, таких як візуальне мистецтво, автоматизація проектування, розробка ігор та інших сферах, де це можливо. необхідні для створення якісного контенту.