Bibliografia publikacji pracowników
Państwowej Szkoły Wyższej w Białej Podlaskiej
Baza tworzona przez Bibliotekę Akademii Bialskiej im. Jana Pawła II.
Zapytanie:
KROSHCHANKA ALIAKSANDR Liczba odnalezionych rekordów: 10
Przejście do opcji zmiany formatu | Wyświetl/ukryj etykiety | Wyświetlenie wyników w wersji do druku | Pobranie pliku do edytora | Nowe wyszukiwanie Streszczenie: Unsupervised learning based on restricted Boltzmann machine or autoencoders has become an important research domain in the area of neural networks. In this paper mathematical expressions to adaptive learning step calculation for RBM with ReLU transfer function are proposed. As a result, we can automatically estimate the step size that minimizes the loss function of the neural network and correspondingly update the learning step in every iteration. We give a theoretical justification for the proposed adaptive learning rate approach, which is based on the steepest descent method. The proposed technique for adaptive learning rate estimation is compared with the existing constant step and Adam methods in terms of generalization ability and loss function. We demonstrate that the proposed approach provides better performance.
2/10
Nr opisu: 0000046270 Autorzy: Vladimir Golovko, Egor Mikhno, Aliaksandr Kroshchanka, Marta Chodyka, Piotr Lichograj. Tytuł pracy: Adaptive Learning Rate for Unsupervised Learning of Deep Neural Networks Tytuł całości: W: 2023 International Joint Conference on Neural Networks (IJCNN) Proceedings, 18-23 June 2023, Gold Coast, Australia Miejsce wydania: [Piscataway] Wydawca: Institute of Electrical and Electronics Engineers Inc. Rok wydania: 2023 Strony zajęte przez pracę: P. 1-6 ISBN: 978-1-6654-8867-9 Charakterystyka formalna: referat w materiałach pokonferencyjnych zagranicznych Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: publikacja w recenzowanych mat. konf. międzynar. z wykazu Język publikacji: ENG Punktacja ministerstwa: 70.000 Słowa kluczowe ang.: adaptive training step ; deep learning ; unsupervised learning https://ieeexplore.ieee.org/document/10191642 DOI: 10.1109/IJCNN54540.2023.10191642 Streszczenie: In this paper an approach for adaptive learning step calculation using ReLU transfer function in neural network is proposed. This adaptive learning rate aims to automatically choose the step size that minimizes the objective function of neural network. We give a theoretical justification for the proposed adaptive learning rate approach, which is based on the steepest descent method. The main contribution of this paper is a novel technique for adaptive learning rate calculation, if we use ReLU transfer function. The experiments in data compression datasets show that proposed approach provides better generalization capability (test set accuracy) and permits to choose the learning rate automatically.
3/10
Nr opisu: 0000046870 Autorzy: Aliaksandr Kroshchanka, Vladimir Golovko, Shi Peiwen, Zofia Lubańska. Tytuł pracy: Unsupervised Pre-training of Deep Neural Classifiers Tytuł całości: W: Proceeding of the 12th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS; 2023), September 7-9, 2023, Drotmund, Germany, Vol. 1 Miejsce wydania: Piscataway Wydawca: Institute of Electrical and Electronics Engineers Inc. Rok wydania: 2023 Seria: Proceedings of the IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems, 2770-4254 Strony zajęte przez pracę: S. 1083-1087 ISBN: 978-83-3503-5805-6 Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: Covolutional Restricted Boltzmann Machine ; deep neural network ; pre-training ; restricted Boltzmann Machine Uwaga: Kopia dostępna w Sekcji Bibliometrii. Streszczenie: The paper is devoted to studying the issues of pre-training of deep neural network models. A generalized approach for pre-training deep models is proposed, which allows achieving better performance in final accuracy and can be used when training on small datasets. The effectiveness of the proposed approach is demonstrated on examples of training deep neural slaccifiers models using the MNIST and CIFAR-10 datasets. The obtained results can be used to train fully connected and convolutional types of layers.
4/10
Nr opisu: 0000044271 Autorzy: Aliaksandr Kroshchanka, Vladimir Golovko, Egor Mikhno, Mikhail Kovalev, Vadim Zahariev, Aleksandr Zagorskij. Tytuł pracy: A Neural-Symbolic Approach to Computer Vision Tytuł całości: W: Open Semantic Technologies for Intelligent Systems : 11th International Conference, OSTIS 2021, Minsk, Belarus, September 16-18, 2021. Revised Selected Papers / eds. Vladimir Golenkov, Viktor Krasnoproshin, Vladimir Golovko, Daniil Shunkevich Miejsce wydania: Cham Wydawca: Springer Rok wydania: 2022 Seria: Communications in Computer and Information Science, 1865-0929, Vol. 1625 Strony zajęte przez pracę: P. 282-309 ISBN: 978-3-031-15881-0 Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: artificial neural networks ; computer vision ; knowledge base ; logical inference ; neurosymbolic AI Uwaga: Kopia dostępna w Sekcji Bibliometrii. DOI: 10.1007/978-3-031-15882-7_15
5/10
Nr opisu: 0000041410 Autorzy: Vladimir Golovko, Alexander Kroshchanka, Egor Mikhno, Myroslav Komar, Anatoliy Sachenko. Tytuł pracy: Deep Convolutional Neural Network for Detection of Solar Panels Tytuł całości: W: Data-Centric Business and Applications : ICT Systems-Theory, Radio-Electronics, Information Technologies and Cybersecurity, Vol. 5 / editors Tamara Radivilova, Dmytro Ageyev, Natalia Kryvinska Miejsce wydania: Cham Wydawca: Springer Rok wydania: 2021 Seria: Lecture Notes on Data Engineering and Communications Technologies, 2367-4512, Vol. 48 Strony zajęte przez pracę: P. 371-389 ISBN: 978-3-030-43069-6 Kopia niedostępna: x Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: convolutional neural network ; deep learning ; detection ; determining the presence ; images ; low-resolution photos ; photovoltaic ; solar panel
6/10
Nr opisu: 0000044457 Autorzy: Aliaksandr Kroshchanka, Vladimir Golovko. Tytuł pracy: The Reduction of Fully Connected Neural Network Parameters Using the Pre-training Technique Tytuł całości: W: IDAACS'2021 : proceedings of the 11th IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems: Technology and Applications (IDAACS), September 22-25, 2021, Cracow, Poland, Vol. 2 Miejsce wydania: [Piscataway] Wydawca: Institute of Electrical and Electronics Engineers (IEEE) Rok wydania: 2021 Seria: Proceedings of the IEEE International Conference on Intelligent Data Acquisition and Advanced Computing Systems, 2770-4254 Strony zajęte przez pracę: P. 937-941 ISBN: 978-1-6654-2605-3 Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: computer vision ; deep neural networks ; pre-training ; reduction neural network parameters ; restricted Boltzmann Machine Uwaga: Kopia dostępna w Sekcji Bibliometrii. Inne bazy podające opis:
Scopus
WoS
DOI: 10.1109/IDAACS53288.2021.9661015 Streszczenie: This paper proposes an approach to the parameters reduction of fully connected neural networks using the conventional method of pre-training deep neural networks. It is shown that this approach makes it possible to reduce the number of trainable parameters without significant loss the generalization ability. The capabilities of the proposed technique are demonstrated using the standard dataset of handwritten digits MNIST.
7/10
Nr opisu: 0000041412 Autorzy: Vladimir Golovko, Alexander Kroshchanka, Myroslav Komar, Anatoliy Sachenko. Tytuł pracy: Neural Network Approach for Semantic Coding of Words Tytuł całości: W: Lecture Notes in Computational Intelligence and Decision Making : Proceedings of the XV International Scientific Conference "Intellectual Systems of Decision Making and Problems of Computational Intelligence" (ISDMCI'2019), Ukraine, May 21-25, 2019 / editors Volodymyr Lytvynenko, Sergii Babichev, Waldemar Wójcik, Olena Vynokurova, Svetlana Vyshemyrskaya, Svetlana Radetskaya Miejsce wydania: Cham Wydawca: Springer Rok wydania: 2020 Seria: Advances in Intelligent Systems and Computing, 2194-5357, no. 1020 Strony zajęte przez pracę: P. 647-658 ISBN: 978-3-030-26473-4 Kopia niedostępna: x Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: neural network ; search system ; semanting coding ; training set ; Word2vec method
8/10
Nr opisu: 0000041414 Autorzy: Vladimir Golovko, Aliaksandr Kroshchanka, Mikhail Kovalev, Valery Taberko, Dzmitry Ivaniuk. Tytuł pracy: Neuro-Symbolic Artificial Intelligence: Application for Control the Quality of Product Labeling Tytuł całości: W: Open Semantic Technologies for Intelligent System : 10th International Conference, OSTIS 2020, Minsk, Belarus, February 19-22, 2020 : Revised Selected Papers / editors Vladimir Golenkov, Victor Krasnoproshin, Vladimir Golovko, Elias Azarov Miejsce wydania: Cham Wydawca: Springer Rok wydania: 2020 Seria: Communications in Computer and Information Science, 1865-0929, Vol. 1282 Strony zajęte przez pracę: P. 81-101 ISBN: 978-3-030-60446-2 Kopia niedostępna: x Charakterystyka formalna: rozdział w monografii zagranicznej Charakterystyka wg MNiSW: rozdział w monografii z wykazu MEiN Język publikacji: ENG Słowa kluczowe ang.: deep neural networks ; IDSS ; inference ; integration ; knowledge base ; neuro-symbolic ; object detection
9/10
Nr opisu: 0000042332 Autorzy: Vladimir Golovko, Aliaksandr Kroshchanka, Egor Mikhno, Myroslav Komar, Anatoliy Sachenko, Sergei Bezobrazov, Inna Shylinska. Tytuł pracy: Deep Convolutional Neural Network for Recognizing the Images of Text Documents Tytuł całości: W: Modern Machine Learning Technologies and Data Science Workshop : Workshop Proceeding of the 8th International Conference on "Mathematics. Information Technologies. Education", MomLeT&DS Workshop 2019 / ed. by Michael Emmerich, Vasyl Lytvyn, Iryna Yevseyeva, Vitor Basto-Fernandes, Dmytro Dosyn, Victoria Vysotska Miejsce wydania: Ukraine Wydawca: Rok wydania: 2019 Seria: CEUR Workshop Proceedings, ISSN 1613-0073, Vol. 2386 Strony zajęte przez pracę: S. 297-306 Charakterystyka formalna: referat w materiałach pokonferencyjnych zagranicznych Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Język publikacji: ENG Słowa kluczowe ang.: object detection ; deep convolutional neural network ; labeling images ; image preprocessing ; text image Inne bazy podające opis:
WoS
Scopus
10/10
Nr opisu: 0000042337 Autorzy: Vladimir Golovko, Alexander Kroshchanka, Sergei Bezobrazov, Anatoliy Sachenko, Myroslav Komar, Oleksandr Novosad. Tytuł pracy: Development of Solar Panels Detector Tytuł całości: W: Problems of Infocommunications Science and Technology (PIC S&T' 2018) : Conference Proceedings 2018 International Scientific-Practical Conference Miejsce wydania: Kharkiv Wydawca: Institute of Electrical and Electronics Engineers (IEEE) Rok wydania: 2018 ISBN: S. 761-764 Kopia niedostępna: x Charakterystyka formalna: referat w materiałach pokonferencyjnych zagranicznych Charakterystyka merytoryczna: konferencja naukowa międzynarodowa Charakterystyka wg MNiSW: publikacja w recenzowanych mat. konf. międzynar. uwzględnionej w WoS Język publikacji: ENG Punktacja ministerstwa: 15.000 Słowa kluczowe ang.: artificial intelligence ; computer vision ; convolutional neural network ; energy production ; geospatial data ; power capacity ; satellite photos ; solar panels detection Inne bazy podające opis:
Scopus
WoS
DOI: 10.1109/INFOCOMMST.2018.8632132 Streszczenie: The paper describes the method of detection of roof-installed solar photovoltaic panels in low-quality satellite photos. It is important to receive the geospatial data (such as country, zip code, street and home number) of installed solar panels, because they are connected directly to the local power. It will be helpful to estimate a power capacity and an energy production using the satellite photos. For this purpose, a Convolutional Neural Network was used. For training and testing dataset consists of low-quality Google satellite images was used. The experimental results show a high rate accuracy of detection with low rate incorrect classifications of the proposed approach. The proposed approach has enormous implementation and can be improved in future.
