В МГУ разработали алгоритмы, повышающие эффективность обучения нейросетей

Они используются для обработки данных в фоновом режиме, что позволяет оптимизировать распределение нагрузки на вычислительные системы.

Специалисты Московского государственного университета имени М. В. Ломоносова создали алгоритмы предобработки данных, повышающие скорость обучения нейросетей.

Научные сотрудники факультета вычислительной математики и кибернетики МГУ выдвинули новейший подход к ускорению алгоритмов обучения нейронных сетей путем оптимизации процесса предобработки данных во время обучения.

Алгоритмы, предложенные авторами, используются для обработки данных в фоновом режиме, что позволяет оптимизировать распределение нагрузки на вычислительные системы.

Ученые реализовали подход с использованием языков программирования Python и C++, обеспечивающих доступ “к практической программной библиотеке для разработчиков и исследователей, которые могут применять их в своих проектах”.

Результаты исследования показывают значительное улучшение времени обучения и использования вычислительных ресурсов. В научной статье представлены рекомендации по выбору наиболее подходящего метода в зависимости от конкретного набора данных и алгоритма предварительной обработки пакетов данных.

Разработка способствует расширению областей практического применения технологий глубокого обучения. Это может ускорить появление ИИ-систем нового поколения для решения прикладных задач в таких сферах, как, например, здравоохранение и автономные транспортные средства.

Источник: nauka.tass.ru