Pastarojo meto dirbtinio intelekto pažanga yra susijusi su mašininiu mokymusi (MM) ir, konkrečiau, dirbtiniais neuroniniais tinklais (NT): giliaisiais bei rekurentiniais (RNT). Pastarieji yra paprastai taikomi laikinėms užduotims. RNT apdorojant signalą ar laikinę seką, paprastai yra remiamasi prielaida, kad ši yra užfiksuota / diskretizuota vienodais laiko intervalais. Tačiau realybėje duomenys dažnai netenkina šių sąlygų dėl įvairiausių objektyvių priežasčių. Tuomet RNT yra arba nepritaikomi, arba šis duomenų aspektas yra ignoruojamas, arba duomenys yra koreguojami juos interpoliuojant, abiem pastaraisiais atvejais prarandant modeliavimo tikslumą. Panašiai yra ir su trūkstamomis reikšmėmis signaluose – tradiciniai NT, kaip ir dauguma kitų MM metodų, yra nepritaikyti tokiems duomenims. Tačiau realybėje duomenyse dažnai trūksta reikšmių dėl pačių įvairiausių priežasčių – daugiau negu galima išvardinti. Projekto tikslas yra sukurti RNT modelius, kurie galėtų sėkmingai veikti su duomenimis, kurie yra netolygiai laike pamatuoti, o taip pat gali turėti trūkstamas reikšmes nebūtinai visose įvestyse vienu metu; įskaitant duomenis, kuriuose supuola abi šios savybės. Šis projektas yra labiau fundamentinis, skirtas naujų MM metodų kūrimui bei tobulinimui, o ne egzistuojančių taikymams. Tačiau jau tyrimo metu bus išbandyti įvairūs taikymai su egzistuojančiomis duomenų aibėmis, kad ištirti kuriamų metodų efektyvumą.
Projekto finansavimas:
KTU MTEPI fondas
Projekto įgyvendinimo laikotarpis: 2019-04-01 - 2019-12-31
