ТЕСТИРОВАНИЕ БОЛЬШИХ НЕЙРОННЫХ СЕТЕЙ НА МАЛЫХ ВЫБОРКАХ 

Александр Иванович Иванов, доктор технических наук, доцент, консультант, Пензенский научно-исследовательский электротехнический институт (Россия, г. Пенза, ул. Советская, 9), E-mail: ivan@pniei.penza.ru
Игорь Анатольевич Кубасов, доктор технических наук, доцент, главный научный сотрудник ФКУ НПО «СТиС» МВД России, профессор кафедры информационных технологий, Академия управления МВД России (Россия, г. Москва, ул. Зои и Александра Космодемьянских, 8), E-mail: igorak@list.ru
Александр Михайлович Самокутяев, командир отряда, Научно-исследовательский испытательный центр подготовки космонавтов имени Ю. А. Гагарина (Россия, Московская обл., Звездный городок), E-mail: a.samo@mail.ru 

004.838.2 

DOI

10.21685/2307-4205-2021-1-5 

Актуальность и цели. Исследованы проблемы тестирования нейронных сетей, применяемых в интересах повышения надежности и качества сложных технических систем. Выявлены условия, при которых возможно оперативное и корректное тестирование качества принимаемых решений большими нейронными сетями на малых выборках.
Материалы и методы. Выполнена оценка вероятности ошибок первого рода (ошибочного отказа от признания образа «Свой») на основе тестирования без сокращения тестовой выборки. Показано, что для нейросетевых решений в форме бинарного кода оценка вероятности ошибок второго рода (ошибочное принятие образа «Чужой») может быть осуществлена при значительном сокращении объема тестовой выборки.
Результаты и выводы. Выявлено логарифмическое снижение объема тестовой выборки при переходе от статистического анализа обычных кодов к статистическому анализу расстояний Хэмминга между кодом образа «Свой» и кодами образов «Чужой». Представлена математическая модель вычисления вероятностей ошибок второго рода доверенного нейросетевого приложения на малых выборках. Обоснована необходимость дальнейшей стандартизации доверенных приложений искусственного интеллекта, позволяющих повысить надежность и качество сложных технических систем. 

Ключевые слова

искусственный интеллект, нейронные сети, доверенные нейросетевые приложения, объем тестовой выборки 

 Скачать статью в формате PDF

1. Николенко С., Кадурин А., Архангельская Е. Глубокое обучение. СПб. : Питер, 2018. 480 с. ISBN 978-5-496-02536-2.
2. Иванов А. И., Захаров О. С. Среда моделирования «БиоНейроАвтограф». Программный продукт создан лабораторией биометрических и нейросетевых технологий. 2009. URL: http://пниэи.рф/activity/science/ noc/bioneuroautograph.zip
3. Иванов А. И. Автоматическое обучение больших искусственных нейронных сетей в биометрических приложениях : учеб. пособие. Пенза, 2013. 30 с. URL: http://пниэи.рф/activity/science/noc/tm_IvanovAI.pdf
4. Морелос-Сарагоса Р. Искусство помехоустойчивого кодирования. М. : Техносфера, 2007. 320 с.
5. Juels A., Wattenberg M. A Fuzzy Commitment Scheme // Proc. ACM Conf. Computer and Communications Security. Singapore, 1999. P. 28–36.
6. Болл Р., Коннел Д. Х., Панканти Ш. [и др.]. Руководство по биометрии. М. : Техносфера, 2007. 368 с.
7. Шапкин А. В., Кубасов И. А., Иванов А. И. Развитие отечественного нейросетевого искусственного интеллекта в защищенном исполнении // Вестник Воронежского института ФСИН России. 2019. № 4. С. 132–144.