Cel

Celem projektu jest implementacja infrastruktury dla uczenia opartego na współzawodnictwie oraz przebadanie wpływu współzawodnictwa na szybkość zbieżności w trakcie treningu oraz na dokładność klasyfikacji. Do implementacji może zostać wykorzystana dowolna biblioteka (np. TensorFlow, PyTorch). Badania należy przeprowadzić dla różnych architektur sieci neuronowych, różnych wielkości zbiorów danych.

Hipoteza badawcza

Uczenie oparte na współzawodnictwie może zwiększyć szybkość zbieżności w trakcie treningu sieci do zadań klasyfikacji binarnej. Uczenie oparte na współzawodnictwie może poprawić dokładność klasyfikacji w porównaniu z siecią trenowaną bez mechanizmu współzawodnictwa.

Zadania

1. Przegląd literatury.

2. Implementacja infrastruktury treningowej.

3. Zebranie i obróbka danych treningowych.

4. Wytrenowanie i przetestowanie modeli.

5. Wprowadzenie poprawek i powrót do 4.

6. Porównanie uczenia ze współzawodnictwem z tradycyjnymi technikami uczenia.

7. Porównanie uczenia ze współzawodnictwem z uczeniem typu teacher-student (opcjonalnie).

8. Sformułowanie wniosków.

Literatura

1. Ian Goodfellow, Yoshua Bengio and Aaron Courville, Deep Learning, 2016.

2. Leszek Rutkowski, Metody i Techniki Sztucznej Inteligencji.

3. https://arxiv.org/pdf/2004.05937.pdf

4. Gareth James, Daniela Witten, Trevor Hastie, and Robert Tibshirani. An Introduction to Statistical Learning: with Applications in R, 2014.