АНСАМБЛЕВИЙ МЕТОД АНАЛІЗУ КОРОТКИХ ВИБІРОК БІОМЕДИЧНИХ ДАНИХ НА ОСНОВІ НЕЙРОННОЇ МЕРЕЖІ БЕЗ НАВЧАННЯ

І.В. Ізонін, Р.О. Ткаченко, О.Л. Семчишин

Èlektron. model. 2023, 45(6):65-76

https://doi.org/10.15407/emodel.45.06.065

АНОТАЦІЯ

З метою підвищення точності аналізу малих даних запропоновано новий метод, який базується на принципах ансамблювання при використанні лише однієї нейронної мережі узагальненої регресії (GRNN). В основі методу покладено синтез додаткових пар векто­рів з різними знаками в околі кожного поточного вектора тестової вибірки, за рахунок використання методу симетричних збурень; прогнозування виходів для поточного та усіх синтезованих в його околі векторів методом GRNN та усередненні отриманих ре­зультатів. Використання такого підходу забезпечить суттєве підвищення точності прог­но­зу у випадку коротких наборів даних, зокрема за рахунок компенсації похибки як для кожної пари додаткових векторів з різними знаками так і для загального результату прогнозу поточного вектора та усіх додаткових пар векторів створених для нього. Моделювання проведено на реальному короткому наборі біомедичних даних. Визначено оптимальні параметри роботи методу. Порівняльний аналіз ефективності розробленого методу показав його суттєво вищу точність в порівнянні з точністю за існуючими методами.

КЛЮЧОВІ СЛОВА:

малі дані, апроксимація, нейронна мережа узагальненої регресії, ансамблеве навчання, випадкові симетричні збурення.

СПИСОК ЛІТЕРАТУРИ

1. Bodyanskiy, Y., Chala, O., Kasatkina, N., & Pliss, I. (2022). Modified generalized neo-fuzzy system with combined online fast learning in medical diagnostic task for situations of information deficit. Mathematical Biosciences and Engineering, 19(8), 8003-8018. https://doi.org/10.3934/mbe.2022374
2. Zoya Duriagina, I.L. (2021). Optimized Filling of a Given Cuboid with Spherical Powders for Additive Manufacturing. Journal of the Operations Research Society of China, 9(4), 853-868. https://doi.org/10.1007/s40305-020-00314-9
3. Hekler, E.B., Klasnja, P., Chevance, G., Golaszewski, N.M., Lewis, D., & Sim, I. (2019). Why we need a small data paradigm. BMC Medicine, 17. https://doi.org/10.1186/s12916-019-1366-x
4. Shaikhina, T., & Khovanova, N.A. (2017). Handling limited datasets with neural networks in medical applications: A small-data approach. Artificial Intelligence in Medicine, 75, 51-63. https://doi.org/10.1016/j.artmed.2016.12.003
5. Fong, S.J., Li, G., Dey, N., Gonzalez-Crespo, R., & Herrera-Viedma, E. (2020). Finding an Accurate Early Forecasting Model from Small Dataset: A Case of 2019-nCoV Novel Coronavirus Outbreak. International Journal of Interactive Multimedia and Artificial Intelligence, 6(1), 132. https://doi.org/10.9781/ijimai.2020.02.002
6. Duda, P., Jaworski, M., & Rutkowski, L. (2018). Online GRNN-Based Ensembles for Regression on Evolving Data Streams. In T. Huang, J.Lv., C. Sun, & A.V. Tuzikov (Eds.), Advances in Neural Networks – ISNN 2018 (pp. 221-228). Springer International Publi­shing. https://doi.org/10.1007/978-3-319-92537-0_26
7. Vakal, L.P., & Vakal, E.S. (2019). Best Uniform Spline Approximation Using Differential Evolution. Mathematical and computer modelling. Series: Technical sciences, 19, 17-24. https://doi.org/10.32626/2308-5916.2019-19.17-24
8. Izonin, I., Tkachenko, R., Gregus ml., M., Zub, K., & Tkachenko, P. (2021). A GRNN-based Approach towards Prediction from Small Datasets in Medical Application. Procedia Computer Science, 184, 242-249. https://doi.org/10.1016/j.procs.2021.03.033
9. Bodyanskiy, Y.V., & Tyshchenko, O.K. (2020). A Hybrid Cascade Neural Network with Ensembles of Extended Neo-Fuzzy Neurons and Its Deep Learning. In P. Kulczycki, J. Kacprzyk, L.T. Kóczy, R. Mesiar, & R. Wisniewski (Eds.), Information Technology, Systems Research, and Computational Physics (pp. 164-174). Springer International Publishing. https://doi.org/10.1007/978-3-030-18058-4_13
10. Vitynskyi, P.B., Tkachenko, R.O., & Izonin, I.V. (2019). GRNN ensemble based on displacement of the surfaces of the response for E-commerce tasks. Scientific bulletin of UNFU, 29(9), Article 9. https://doi.org/10.36930/40290925
11. Krak, I., Kuznetsov, V., Kondratiuk, S., Azarova, L., Barmak, O., & Padiuk, P. (2023). Analysis of Deep Learning Methods in Adaptation to the Small Data Problem Solving. In S. Babichev & V. Lytvynenko (Eds.), Lecture Notes in Data Engineering, Computational Intelligence, and Decision Making (Vol. 149, pp. 333-352). Springer International Publishing. https://doi.org/10.1007/978-3-031-16203-9_20
12. Haykin, S. (2008). Neural Networks and Learning Machines (3rd edition). Pearson.

Повний текст: PDF