Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...
Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...
Rezumat teza - Facultatea de Electronica, Telecomunicatii si ...
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Managementul rutării în viitorul Internet UTCN<br />
Numărul <strong>de</strong> rezolu¸tii se alege ca un compromis între complexitatea mo<strong>de</strong>lului ¸<strong>si</strong> precizia<br />
predic¸tiei. În cadrul experimentelor s-a realizat o <strong>de</strong>scompunere <strong>de</strong> nivel 2 <strong>de</strong>oarece s-a observat<br />
că o rezolu¸tie suplimentară nu îmbunătă¸te¸ste semnificativ performan¸ta, dar cre¸ste complexitatea.<br />
NN execută următoarea secven¸tă ordonată <strong>de</strong> activită¸ti <strong>de</strong> învă¸tare: Am−2 → Am−1 → Am.<br />
8.4.3 Instruire MTL<br />
Paradigma <strong>de</strong> instruire multi-task (MTL) este prezentată în Figura 8.2(b) ¸<strong>si</strong> presupune antrenarea<br />
re¸telei astfel încât să înve¸te mai multe taskuri <strong>de</strong>odată. Pe lângă predic¸tia valorii viitoare x(t + 1),<br />
NN generează la ie¸<strong>si</strong>rea sa valoarea curentă x(t) ¸<strong>si</strong> o altă valoarea viitoare x(t + 2).<br />
8.4.4 Instruire MTL cu <strong>de</strong>scompunere multirezolu¸tie<br />
În cadrul acestei teze <strong>de</strong> doctorat, se propune o nouă paradigmă <strong>de</strong> instruire a unei re¸tele neuronale,<br />
¸<strong>si</strong> anume combinarea învă¸tării multi-task cu metoda <strong>de</strong> <strong>de</strong>scompunere multirezolu¸tie. Acest lucru<br />
înseamnă că re¸teaua va învă¸ta <strong>si</strong>multan taskuri multiple, iar pentru fiecare astfel <strong>de</strong> sarcină va fi<br />
antrenată cu diferite rezolu¸tii ale setului <strong>de</strong> date. În cele ce urmează, noua paradigmă propusă va<br />
fi <strong>de</strong>numită învă¸tare MTL cu multirezolu¸tie ¸<strong>si</strong> este ilustrată în Figura 8.4.<br />
d0 m-2<br />
Am-2<br />
s0 m-2<br />
Pon<strong>de</strong>ri iniţializate<br />
în mod aleator<br />
d1 m-2<br />
s1 m-2<br />
NN<br />
d2 m-2<br />
s2 m-2<br />
<br />
<br />
<br />
d0 m-1<br />
Am-1<br />
s0 m-1<br />
Pon<strong>de</strong>ri estimate<br />
în pasul prece<strong>de</strong>nt<br />
d1 m-1<br />
s1 m-1<br />
NN<br />
d2 m-1<br />
s2 m-1<br />
<br />
<br />
<br />
Am<br />
s0 m<br />
Pon<strong>de</strong>ri estimate<br />
în pasul prece<strong>de</strong>nt<br />
Figura 8.4 Schema <strong>de</strong> bază a instruirii MTL cu multirezolu¸tie<br />
8.5 Compara¸tia rezultatelor experimentale<br />
Figura 8.5 prezintă testarea predictorilor, comparând ie¸<strong>si</strong>rile ob¸tinute cu valorile dorite. În Figura<br />
8.6 putem compara histograma erorilor <strong>de</strong> predic¸tie ob¸tinute.<br />
Pentru a evalua obiectiv performan¸tele predictorilor baza¸ti pe re¸tele neuronale, analizăm<br />
valorile metricilor <strong>de</strong> performan¸tă din Tabelul 8.2. Două tehnici prezintă metrici <strong>de</strong> performan¸tă<br />
apropiate, ambele implică învă¸tarea multirezolu¸tie. Dintre aceste două meto<strong>de</strong> nu putem alege un<br />
câ¸stigător clar <strong>de</strong>oarece, rulând <strong>si</strong>mulările <strong>de</strong> mai multe ori, rezultatele diferă u¸sor. O precizie pu¸tin<br />
mai slabă a fost ob¸tinută prin abordarea <strong>de</strong> antrenare multi-task care însă prezintă avantajul că are<br />
o complexitate computa¸tională mai redusă. Cea mai slabă performan¸tă o are metoda tradi¸tională<br />
cu învă¸tare STL, aceasta fiind ¸<strong>si</strong> cea mai <strong>si</strong>mplă, nece<strong>si</strong>tând cele mai pu¸tine calcule.<br />
36<br />
s1 m<br />
NN<br />
s2 m
Change language