Оптимизация нейронных сетей на основе решеток понятий и методов кластеризации

В данной работе обсуждаются новые подходы к оптимизации архитектуры нейронной сети, основанные на решетках понятий. В ходе исследования были дополнительно изучены возможности этой архитектуры и оценены значения качества в зависимости от вариаций архитектуры с использованием различных множеств "лучших" понятий, выбранных по их чистоте и покрытию объектов. Кроме того, была рассмотрена другая архитектура нейронной сети, построенная на нейронах-кластерах, полученных из предварительно кластеризованных данных. Был протестирован новый подход к оптимизации этой архитектуры за счет изменения количества кластеров-нейронов, а также исследованы другие методы кластеризации. По результатам экспериментов, проведенных в данной работе, было установлено, что рассмотренные архитектуры нейронных сетей могут быть оптимизированы предложенными методами без потери качества метрик и достигнуть результатов, сопоставимых с классическими методами машинного обучения.