Методы моделирования глубокого обучения: современный прогресс, применения, преимущества и проблемы

Глубокое обучение (DL) революционизирует методы принятия решений на основе доказательств, применимые в различных секторах. В частности, оно позволяет использовать два или более уровня нелинейного преобразования признаков исходных данных посредством обучения представлений, чтобы преодолеть ограничения, обусловленные большими наборами данных. Поскольку это междисциплинарная область, находящаяся на начальном этапе развития, публикаций, содержащих обзор архитектур глубокого обучения и охватывающих весь спектр данной области, пока относительно мало. Поэтому в настоящей работе представлен всесторонний обзор современных методов моделирования глубокого обучения, а также рассмотрены их преимущества и проблемы. Было установлено, что многие модели демонстрируют высокую предметно-ориентированную эффективность и могут обучаться с использованием двух или более методов. Однако обучение моделей глубокого обучения может занимать очень много времени, быть дорогостоящим и требовать больших выборок для достижения более высокой точности. Поскольку глубокое обучение также подвержено обману и ошибочной классификации и имеет тенденцию застревать в локальных минимумах, для создания более устойчивых моделей необходима усовершенствованная оптимизация параметров. Тем не менее глубокое обучение уже приводит к прорывным результатам в здравоохранении, образовании, сфере безопасности, коммерческом и промышленном секторах, а также в государственном управлении. Некоторые модели, такие как сверточные нейронные сети (CNN), генеративно-состязательные сети (GAN), рекуррентные нейронные сети (RNN), рекурсивные нейронные сети и автоэнкодеры, используются часто, тогда как потенциал других моделей остается в значительной степени неисследованным. Примечательно, что гибридные традиционные архитектуры глубокого обучения способны преодолеть проблемы, характерные для традиционных моделей. Учитывая, что капсульные архитектуры могут доминировать в будущих моделях глубокого обучения, целью данной работы было систематизировать информацию для заинтересованных сторон, участвующих в разработке и использовании моделей глубокого обучения в современном мире.