Априорные знания для моделей глубинного обученияPrior knowledge for deep learning

Современные глубокие нейронные сети требуют сбор больших массивов данных, и использование больших моделей. Однако, такие модели требуют много энергии даже на этапе предсказания и поэтому не подходят для устройств с низким энергопотреблением, а сбор и разметка данных, это крайне медленный и дорогостоящий процесс. Чтобы решить эти проблемы, можно применять модели, которые используют априорные знания. Данная работа посвящена способам внедрения априорных знаний в модели глубокого обучения. Понятие "априорные знания" происходит от латинской фразы a priori (из того, что было до) и обозначает информацию, независимую от рассматриваемого набора данных. Априорные знания могут быть использованы в алгоритме машинного обучения, чтобы улучшить его качество, уменьшить вычислительный бюджет, повысить скорость обучения и т.д. Целью этой работы является разработка механизмов интеграции априорных знаний и использование этих механизмов для улучшения моделей глубокого обучения.