- Двухвыборочный тест на основе самоорганизующихся карт (arXiv)
Автор: Алехандро Альварес-Айон, Мануэль Паломо-Дуарте, Хуан-Мануэль Додеро.
Аннотация: Классификаторы машинного обучения можно использовать в качестве статистического теста с двумя выборками. Предположим, что каждому образцу присвоена отдельная метка и что классификатор может получить более чем случайный результат, различив их. В этом случае мы можем сделать вывод, что обе выборки происходят из разных популяций. Однако многие типы моделей, такие как нейронные сети, ведут себя для пользователя как черный ящик: они могут отвергнуть тот факт, что обе выборки происходят из одной и той же совокупности, но они не дают понимания того, чем обе выборки отличаются. Самоорганизующиеся карты — это средство уменьшения размерности, изначально разработанное как инструмент визуализации данных, который отображает возникающие свойства, а также полезен для задач классификации. Поскольку их можно использовать в качестве классификаторов, их также можно использовать в качестве статистического теста для двух выборок. Но поскольку их первоначальная цель — визуализация, они также могут предложить понимание.
2. Алгоритм нейронной сети самоорганизующейся карты для определения местоположения разрушения в твердотельном процессе соединения разнородных сплавов (arXiv)
Автор : Акшанш Мишра, Аниш Дасгупта
Аннотация: Предметная область, известная как вычислительная нейробиология, включает исследование функций мозга с использованием математических методов и теорий. Чтобы понять, как мозг обрабатывает информацию, он также может включать в себя различные методы обработки сигналов, информатики и физики. В настоящей работе впервые реализован нейробиологический алгоритм неконтролируемого машинного обучения, то есть самоорганизующаяся нейронная сеть карты, для определения местоположения разрушения в разнородных сплавах, сваренных трением с перемешиванием, AA5754-C11000. Диаметр уступа (мм), скорость вращения инструмента (об/мин) и скорость перемещения инструмента (мм/мин) являются входными параметрами, а местоположение разрушения, т.е. разрушается ли образец в зоне термомеханического воздействия (TMAZ) меди или разрушается при ТМАЗ Алюминия. Результаты показали, что реализованный алгоритм способен предсказать местоположение перелома с точностью 96,92%.
