аспирант кафедры программной инженерии и вычислительной техники Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
кандидат технических наук, доцент кафедры программной инженерии и вычислительной техники Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
доктор технических наук, профессор, ректор Санкт-Петербургского государственного университета телекоммуникаций им. проф. М.А. Бонч-Бруевича
В настоящее время ключевую роль поддержки принятия решений в различных отраслях играет интеллектуальный анализ данных. Его важной составной частью является машинное обучение, актуальная задача которого на практике ‒ осуществление классификации объектов в режиме реального времени. Она может быть достигнута за счет распараллеливания алгоритмов обработки данных как по входным данным, так и по данным решающих функций. Для повышения эффективности распараллеливания методов машинного обучения разработана унифицированная модель представления решающих функций. Целью настоящей статьи является представление унифицированной модели решающих функций для алгоритмов машинного обучения и функций, обеспечивающих ее распараллеливание как по входным данным, так и по данным решающих функций.
Сущность представленного подхода заключается в том, что на основе анализа особенностей работы метрических методов машинного обучения выявлены независимые данные для обработки, представленные в виде разных категорий анализируемого свойства, разработана модель представления решающих функций, описывающая выявленные характерные черты объектов входных данных и данных решающих функций в виде соответствующих наборов унифицированных элементов и включающая в себя функции, обеспечивающие их параллельную обработку на основе группового распараллеливания объектов. Предложенный подход базируется на использовании методов анализа алгоритмов и вычислительной сложности, математической статистики и методологии проектирования параллельных алгоритмов.
Эксперименты показали, что распараллеливание предложенной модели решающих функций на примере метода потенциальных функций позволяет повысить эффективность классификации как для одного объекта за счет возможности использования дополнительных вычислительных ресурсов, так и для группы объектов при наличии ограничений объема памяти компьютеров или горизонта планирования.
Научная новизна предложенного подхода заключается в том, что модель отличается от существующих единым способом формализации объектов и их свойств в виде унифицированных элементов для обучающих и классификационных данных и имеет структуру и функции, ориентированные на ее параллельную обработку методами распознавания образов на основе решающих функций в рамках группового распараллеливания объектов.
Теоретическая значимость: модель имеет унифицированный характер и может использоваться при распараллеливании других методов распознавания образов, которые могут быть описаны сходными параметрами, архитектурой и классификационными признаками.
Практическая значимость предложенного подхода заключается в том, что модель позволяет осуществить декомпозицию задачи классификации образов на отдельные подзадачи поиска закономерностей между входными данными и данными решающих функций.
Currently, data mining based on machine learning plays a key role in decision support in various industries. An important practical problem of machine learning is the implementation of object classification in real time, which can be achieved by parallelizing data processing algorithms both for input data and for decision function data. To improve the efficiency of parallelizing machine learning methods, a unified decision function model has been developed. The Relevance of this research is to present a unified decision function model in the framework of machine learning algorithms and functions for its parallelization both in terms of input data and decision function data.
The essence of the presented approach is that the features of the operation of metric methods of machine learning are analyzed, independent data for processing are presented using different categories of the analyzed property, developed decision function model describes the object features for input data and decision function data using standardized elements and including functions for their parallel processing based on group parallelization of objects. The proposed approach is based on the use of methods for analyzing algorithms and computational complexity, mathematical statistics and the methodology of designing parallel algorithms.
Experiments have shown that parallelization of the proposed decision function model for the potential function method allows increasing the classification efficiency for one object using additional computing resources, and for a group of objects within the limits of the computer's memory size or planning horizon.
The novelty of the proposed approach is that the model differs from existing ones in a method of formalizing objects and their features using unified elements for training and classification objects and has a structure and functions oriented towards its parallel processing by pattern recognition methods based on decision functions within the framework of group parallelization of objects.
Theoretical significance: the model is unified and can be used to parallelize other pattern recognition methods that can be described by similar parameters, architecture, and classification features.
The practical significance of the proposed approach is that the model allows decomposing the pattern classification problem into separate subtasks of finding regularities between input data and decision function data.
The authors declare that there are no conflicts of interest present.