Всесторонний обзор глубокого обучения: архитектуры, последние достижения и применения

Глубокое обучение (DL) стало ключевым компонентом современного искусственного интеллекта (AI), способствуя значительному прогрессу в различных областях за счёт анализа сложных систем — от сворачивания белков в биологии до открытия молекул в химии и изучения взаимодействий частиц в физике. Однако область глубокого обучения постоянно развивается, и в последнее время появляются инновации как в архитектурах, так и в сферах применения. Поэтому в данной статье представлен всесторонний обзор последних достижений в области DL, охватывающий развитие и применение базовых моделей, таких как сверточные нейронные сети (CNN) и рекуррентные нейронные сети (RNN), а также новых архитектур, включая трансформеры, генеративно-состязательные сети (GAN), капсульные сети и графовые нейронные сети (GNN). Кроме того, в статье рассматриваются новые методы обучения, включая самосупервизируемое обучение, федеративное обучение и глубокое обучение с подкреплением, которые дополнительно расширяют возможности моделей глубокого обучения. Обобщая последние разработки и выявляя текущие проблемы, статья дает представление о современном состоянии и будущих направлениях исследований в области DL, предлагая ценные ориентиры как для исследователей, так и для отраслевых экспертов.