Выбор архитектуры нейронной сети в задаче классификации

Нейросетевая обработка данных большой размерности требует значительных вычислительных ресурсов. Неверный выбор архитектуры нейронной сети или преобразования данных может привести к существенным потерям времени и ресурсов на повторное обучение сети. В статье предлагается алгоритм выбора архитектуры сжимающих слоев глубокой доверительной сети и преобразования данных на основе анализа многомерной матрицы несоответствий. Введенный обобщенный коэффициент перекоса описывает равномерность распределения объектов между классами нейронной сети и позволяет численно оценить эффективность архитектуры сжимающих слоев сети и преобразования данных. На примере прикладной задачи показано, что предложенный алгоритм повышает качество ее решения более чем на 10 % путем выбора наиболее эффективной архитектуры нейросети.

1. Heydarian, M. MLCM: Multi-Label Confusion Matrix / M. Heydarian, T. E. Doyle, R. Samavi // IEEE Access. 2022. Vol. 10. P. 19083–19095. http://dx.doi.org/10.1109/ACCESS.2022.3151048.

2. Мацкевич, В. В. Адаптация нейросетевого классификатора к неустойчивым входным данным / В. В. Мацкевич, Ц. Го // Доклады БГУИР. 2025. Т. 23, № 5. С. 99–104. http://dx.doi.org/10.35596/1729-7648-2025-23-5-99-104.

3. AutoPolCNN: A Neural Architecture Search Method of Convolutional Neural Network for Polsar Image Classification / G. Liu [et al.] // Knowledge-Based Systems. 2025. Vol. 312. https://doi.org/10.1016/j.knosys.2025.113122.

4. Automatic Neural Network Construction Based on Neural Tangent Kernel for IRS-Aided Beamforming / H. Shi [et al.] // IEEE Transactions on Wireless Communications. 2025. Vol. 25. P. 1155–1168. https://doi.org/10.1109/TWC.2025.3589367.

5. Synthesis of Convolutional Neural Network Architectures for Biomedical Image Classification / O. Berezsky [et al.] // Biomedical Signal Processing and Control. 2024. Vol. 95, Part B. https://doi.org/10.1016/j.bspc.2024.106325.

6. Akay, B. A Comprehensive Survey on Optimizing Deep Learning Models by Metaheuristics / B. Akay, D. Karaboga, R. Akay // Artificial Intelligence Review. 2022. Vol. 55, Iss. 2. https://doi.org/10.1007/s10462-021-09992-0.

7. Xi, Sh. Dynamic Gaussian Deep Belief Network Design and Stock Market Application / Sh. Xi, X. Xu // Intelligent Data Analysis. 2023. Vol. 27, Iss. 2. P. 519–534. http://dx.doi.org/10.3233/ida-216340.

8. Zhou, X. Landscape’s Non-Natural Changes Detection System by Satellites Images Based on Local Areas / X. Zhou [et al.] // Pattern Recognition and Image Analysis. Advances in Mathematical Theory and Applications. 2024. Vol. 34, Iss. 2. P. 365–378, https://doi.org/10.1134/S1054661824700159.

9. Krasnoproshin, V. V. Random Search in Neural Networks Training / V. V. Krasnoproshin, V. V. Matskevich // Pattern Recognition and Image Analysis. 2024. Vol. 34, Iss. 2. P. 309–316. https://doi.org/10.1134/S105466182470010X.

10. Tang, H. A Pure MLP-Mixer-Based GAN Framework for Guided Image Translation / H. Tang, B. Ren, N. Sebe // Pattern Recognition. 2025. Vol. 157. https://doi.org/10.1016/j.patcog.2024.110894.

11. Multi-Scale MLP-Mixer for Image Classification. / H. Zhang [et al.] // Knowledge-Based Systems. 2022. Vol. 258. https://doi.org/10.1016/j.knosys.2022.109792.

12. Raj, R. An Extensive Study of Convolutional Neural Networks: Applications in Computer Vision for Improved Robotics Perceptions / R. Raj, A. Kos // Sensors. 2025. Vol. 25, Iss. 4. https://doi.org/10.3390/s25041033.

13. Abdellatef, E. Detection of Human Activities Using Multi-Layer Convolutional Neural Network / E. Abdellatef, R. M. Al-Makhlasawy, W. A. Shalaby // Scientific Reports. 2025. Vol. 15, Iss. 1. https://doi.org/10.1038/s41598-025-90307-6.

14. Lee, M. GELU Activation Function in Deep Learning: A Comprehensive Mathematical Analysis and Performance / M. Lee // arXiv. 2023. https://doi.org/10.48550/arXiv.2305.12073.