F1 Прикладна математика
Permanent URI for this collection
Освітня програма: "Прикладна математика"
Browse
Browsing F1 Прикладна математика by Author "Крюкова, Галина"
Now showing 1 - 11 of 11
Results Per Page
Sort Options
Item Modelling prosody in the task of human speech synthesis with the use of machine learning(2020) Процик, Олексій; Крюкова, ГалинаGenerating high fidelity speech using a text-to-speech (TTS) system remains a challenging task despite the decades of research and investigations. Modern TTS systems are very complex. For example, it is a common practice for a statistical TTS system to have a linguistic extractor in the front, which extracts different linguistic features. It is followed by a duration model to estimate the speech length in time of a given text and an acoustic feature prediction model. Given these features, it is all fed into a vocoder, which synthesizes speech out of acoustic features. All these components are trained independently and require extensive field knowledge to be sophisticated enough and produce considerable results. Because it has a modular design, it is prone to errors which will proceed in the following modules and can accumulate.Item Використання змагальних атак у задачах збільшення роздільної здатності зображень(2023) Новиков, Дмитро; Крюкова, ГалинаМетою дослідження є аналіз існуючих рішень для покращення якості зображень, і використання нейронної мережі для послідовного покращення якості змагального прикладу, доки він не буде правильно класифікуватися мережею-класифікатором. Для виконання поставленої задачі використовуватиметься навчена нейронна мережа-класифікатор, а також буде реалізована та натренована модель, заснована на архітектурі SRCNN. За допомогою змагальної атаки FGSM, що була детально розглянута та досліджена в попередній роботі, будуть створені змагальні приклади, які будуть некоректно розпізнаватися класифікатором, і для яких буде застосована вищезазначена мережа SRCNN з метою збільшення стійкості (англ. robustness) моделі-класифікатора за допомогою поєднання двох зазначених мереж.Item Властивості розподілів штучно згенерованих зображень(2020) Іванюк-Скульський, Богдан; Крюкова, ГалинаIn recent years, machine learning and, in particular, deep learning (DL) models have improved their performance in various tasks, e.g., image classification, speech recognition, natural language processing. However, even state-of-the-art models are vulnerable to so called adversarial perturbations. These perturbations applied to a correctly classified sample aren’t visible for a human eye but lead to misclassification of the sample [5, 12, 13, 18, 19]. Clearly that such an issue may cause serious consequences in the applications where safety and security are priority, for example, autonomous driving. There have been recent attempts to explain this phenomenon, see e.g., [5], but a consistent theory is still missing. In this paper, we propose a new approach to adversarial image detection. Our approach relies on the assumption that an adversarial perturbation pushes a sample away from a manifold where the correctly classified samples are concentrated. This allows us to use distributions of certain distances for detecting adversarial samples.Item Генерація зображень відповідно тексту(2024) Хоптій, Андрій; Крюкова, ГалинаМетою цієї роботи буде розглянути різні підходи для вирішення задачі з генеруванні зображень по текстовому запиту, також будуть розглянути сильні і слабкі сторони кожного із них, вивчена проблематика і місця застосування цих підходів, а також буде обрано одну з моделей над якою буде вестись робота над її покращенням результатів після тесту в спеціалізованих для цього бенчмарках. Далі в роботі буде розглянуто чотири найпопулярніших моделей, на основі яких будуються всі сучасні генератори зображень.Item Змагальний захист за допомогою моделі дифузії(2024) Кузьменко, Юрій; Крюкова, ГалинаУ цій дипломній роботі розглядається метод захисту нейронних мереж від змагальних атак за допомогою моделей дифузії. Запропонований підхід полягає в попередній обробці зображень моделлю дифузії для видалення змагального шуму, що дозволяє покращити точність класифікації навіть в умовах атак. Методика є універсальною, оскільки не залежить від конкретної моделі загрози, що робить її ефективною проти широкого спектра адверсарних атак.Item Оптимальне керування системами масового обслуговування (Optimal control for queuing systems)(2024) Мостова, Марія; Крюкова, ГалинаМета цієї роботи – розглянути системи масового обслуговування на основі ланцюгів Маркова, визначити середні витрати системи та рівняння оптимальності, а також реалізувати алгоритм знаходження оптимальної стратегії керування системою і визначити можливі способи покращення алгоритму.Item Пошук оптимальних параметрів в аукціоні за допомогою навчання з підкріпленням(2023) Сивохіп, Анна; Крюкова, ГалинаУ даній роботі пропонується підхід до вирішення проблеми фіксованої націнки в контексті рекламних бірж. Часто фіксований відсоток націнки виявляється неприйнятно високим для рекламодавців або занизьким для досягнення максимального прибутку. Основною метою цієї роботи є створення автоматизованої опції налаштування націнки, яка ґрунтується на параметрах, наданих паблішером, а також на доступних відомостях про користувача.Item Скінченний автомат з виходом для обробки природньої мови(2024) Болотов, Єгор; Крюкова, ГалинаМетою даної роботи є дослідження й практична реалізація використання обробки природньої мови з скінченним автоматом з виходом, аналіз потенціалу й обмежень, огляд можливостей для вирішення конкретних задач.Item Тренування ігрових агентів методами навчання з підкріпленням(2020) Василенко, Олександр; Крюкова, ГалинаСуть курсової роботи полягає у дослідженні результатів роботи ігрового агента для гри «Snake», тренованого за допомогою навчання з підкріпленням, а саме – Deep Q-Learning. Результатом роботи є програма для тренування ігрового агента, що дозволяє запускати його з різними параметрами, такими як ширина та висота ігрового поля, коефіцієнт знецінювання , темп навчання і вірогідність вибору випадкової дії. Програму реалізовано мовою Python.Item Шумоподавлення з використанням глибокого навчання(2020) Марченко, Віталій; Крюкова, ГалинаЦя робота описує підхід до шумоподавлення звукових сигналів, що містять людську мову, з використанням глибокого навчання (deep learning).Item Існування та єдиність ситуацій рівноваги в марковській грі з нульовою сумою та випадковим дисконтуванням(2024) Мощенко, Іван; Крюкова, ГалинаМетою цієї роботи є дослідити умови існування та єдиності рівноважних стратегій у марковських іграх з нульовою сумою та випадковим дисконтуванням, а також розробити алгоритм для знаходження оптимальних стратегій у таких іграх.