Applicability of Convoluted Neural Networks to the Dataset Fitting Problem

Abstract

в работе рассматривается возможность применения сверточных искусственных нейронных сетей для решения задачи идентификации типа зависимости в наборах данных. Для обучения сверточной нейронной сети использовались обучающие выборки, состоящие из графиков функций. В качестве базового набора функций для обучения искусственной нейронной сети были выбраны 6 функций, ключевым свойством которых является линеаризуемость. Сверточная нейронная сеть применялась для определения типа зависимостей в наборах данных, полученных из международной базы данных MNIST, предназначенной для тестирования статистического программного обеспечения. Приведен анализ результатов применения сверточной нейронной сети к наборам данных из базы данных MNIST, делается вывод о принципиальной возможности применения данного подхода для визуального корреляционного анализа данных и, как следствие, возможности идентификации типа зависимости по графическому образу представления данных. we analyzed the applicability of convolutional neural networks to solving the dataset fitting problem. The convolutional neural network was trained with training datasets containing function curves. We selected 6 linearizable functions. The convolutional neural network detected the functional relations in the datasets taken from the MNIST database intended for statistical software testing. The results show that it is possible to use the proposed approach for visual correlation analysis and curve-based data fitting.