Исследователи Центра искусственного интеллекта НИУ ВШЭ представили новую методику, которая позволяет значительно ускорить и упростить оценку надёжности моделей машинного обучения. Разработанный подход превосходит традиционные способы полного перебора: он работает примерно в восемь раз быстрее и требует гораздо меньшего объёма ручной проверки. Метод автоматически сравнивает различные нейросетевые архитектуры и определяет наиболее устойчивые, что особенно важно для применения технологий ИИ в физике элементарных частиц.
В этой области машинное обучение широко используется для анализа сложных экспериментальных данных. Нейросети помогают восстанавливать параметры частиц и распознавать сигналы, но при этом их поведение остаётся недостаточно предсказуемым. Отсутствие системных методик проверки надёжности нередко вызывает сомнения у исследователей, особенно когда речь идёт о сложных архитектурах, чувствительных к качеству обучающих данных и выбору начальных параметров.
Новый метод, описанный в журнале IEEE Access, основан на обучении нейросетей на модифицированных наборах данных и с разными начальными весами. Если модель остаётся устойчивой при таких вариациях, это говорит о её высокой надёжности. Для демонстрации подхода учёные использовали задачу восстановления энергии и траектории частицы по данным электромагнитного калориметра. Было создано около 500 тысяч виртуальных сигналов, а модели многократно обучались на разных выборках.
Алгоритм отбора анализировал распределение ошибок и автоматически исключал нестабильные варианты. Отдельно исследователи отметили, что модели, в которых использовались дополнительные физические параметры, показывали более стабильные результаты и требовали меньшего объёма данных. В итоге были определены две архитектуры, продемонстрировавшие лучшие показатели устойчивости и эффективности — именно они признаны наиболее перспективными для дальнейшего применения. Пишет источник.
Читайте также: