| Title: | Динамический вычислительный граф для обобщения разрозненных научных данных в универсальную модель на примере поведения цезия в системе «Почва-Растение» |
| Other Titles: | Dynamic computational graph for generalization bitty scientific data in universal model using behavior of cesium in «soil-plant» system as example |
| Authors: | Никитин, А. Н. |
| Keywords: | материалы конференций;динамические вычислительные графы;обобщающие модели;агрегация данных;dynamic computation graphs;generalized models;data aggregation |
| Issue Date: | 2020 |
| Publisher: | Беспринт |
| Citation: | Никитин, А. Н. Динамический вычислительный граф для обобщения разрозненных научных данных в универсальную модель на примере поведения цезия в системе «Почва-Растение» / А. Н. Никитин // BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня: сб. материалов VI Междунар. науч.-практ. конф., Минск, 20-21 мая 2020 года: в 3 ч. Ч. 1 / редкол. : В. А. Богуш [и др.]. – Минск : Бестпринт, 2020. – С. 350–357. |
| Abstract: | Разработка эффективных методов синтеза новых научных знаний посредством создания моделей, обобщающих накопленные разнородные данные является актуальной задачей для областей с высокими затратами на получение каждого обучающего примера. В статье обосновывается использование для этих целей динамического вычислительного графа с известными уравнениями в узлах и измеряемыми или виртуальными переменными на гранях. Обучение графа осуществляется методом стохастического градиентного спуска и обратного распространения ошибки. Для вычисления ошибки используются как целевая, так и промежуточные переменные. Показано, что данный подход позволяет получить легко интерпретируемую и валидируемую модель для обучения которой используется весь набор имеющихся разнородных данных, описывающих исследуемый объект или явление. |
| Alternative abstract: | The development of effective methods for synthesizing new scientific knowledge by creating models that summarize the accumulated heterogeneous data is an urgent task for areas with high costs for obtaining each training example. The article suggest dynamic computational graph with known equations in nodes and measured or virtual variables on the edges for this purpose. The computational graph is trained by the method of stochastic gradient descent and back-propagation of the error. The error is calculated both on the target and intermediate variables. The article prove that proposed approach allows to obtain an easily interpreted and validated model for training which uses the entire set of available heterogeneous data describing the object or phenomenon being studied. |
| URI: | https://libeldoc.bsuir.by/handle/123456789/39026 |
| ISBN: | 978-985-90533-7-5 |
| Appears in Collections: | BIG DATA and Advanced Analytics = BIG DATA и анализ высокого уровня : материалы конференции (2020)
|
