Всесторонний обзор глубокого обучения: архитектуры, последние достижения и применения
A Comprehensive Review of Deep Learning: Architectures, Recent Advances, and Applications
2024-11-27
SCID: 54.1/s3pqxugc
Discuss with AI
сверточные нейронные сетиглубокое обучениегенеративно-состязательные сетисамоконтролируемое обучениетрансформеры
Figures from the paper
Abstract (AI)
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.
Key Findings
1
Глубокое обучение обеспечивает анализ сложных систем в биологии, химии, физике и других разнообразных областях применения.
2
Рассматриваются современные архитектуры, включая трансформеры, GAN, капсульные сети и графовые нейронные сети, что отражает расширение методологического ландшафта.
3
Самообучение, федеративное обучение и глубокое обучение с подкреплением выделяются как важные достижения в обучении, расширяющие возможности моделей глубокого обучения.
4
Обзор объединяет современные разработки, существующие проблемы и перспективные направления исследований, характеризуя передовой уровень и ориентируя исследователей и специалистов индустрии.
5
В обзоре систематизируются развитие, возможности и применения базовых архитектур CNN и RNN.
Research Object
архитектуры и применения глубокого обучения
Research Subject
последние достижения, методы обучения, возможности, проблемы и будущие направления развития глубокого обучения
Publication Details
Publication Date
2024-11-27
Journal
Publisher
ISSN
Cited by
337
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai18
Классификация ImageNet с использованием глубоких сверточных нейронных сетей2017
Градиентное обучение для распознавания документов1998
Высокоточное предсказание структуры белков с помощью AlphaFold2021
Всеобъемлющий обзор графовых нейронных сетей2020
Двунаправленные рекуррентные нейронные сети1997
Обзор глубокого обучения: концепции, архитектуры сверточных нейронных сетей, проблемы, применения и перспективные направления2021
Обнаружение объектов с помощью глубокого обучения: обзор2019
Глубокое обучение с подкреплением: краткий обзор2017
Федеративное обучение в мобильных сетях периферийных вычислений: всесторонний обзор2020
Машинное обучение и глубокое обучение2021
Flamingo: визуальная языковая модель для обучения по малому числу примеров2022
Моделирование на основе искусственного интеллекта: методы, приложения и научно-исследовательские проблемы на пути к автоматизированным, интеллектуальным и умным системам2022
Рекуррентные нейронные сети: всесторонний обзор архитектур, вариантов и приложений2024
Глубокое обучение для искусственного интеллекта2021
Глубокое обучение, обучение с подкреплением и модели мира2022
GPT (генеративно предварительно обученный трансформер): всесторонний обзор обеспечивающих технологий, потенциальных применений, возникающих проблем и перспективных направлений2024
Ансамбль моделей глубокого обучения с ресэмплированием данных для обнаружения мошенничества с банковскими картами2023
Современные вычислительные системы: перспективы и проблемы2024