Створення синтетичного набору даних для оцінювання архітектур нейромережевих моделей

Abstract

Розробка моделей глибокого навчання для обробки часово-залежних послідовностей, таких як відео, базові часові ряди, або сигнали робототехнічних систем, є складною задачею, особливо на етапах початкової оцінки ефективності розроблених архітектур. Використання реальних датасетів, що характеризуються високою стохастичністю та складністю, ускладнює ізольований аналіз властивостей архітектур та робить вартісним обчислювальний процес. У роботі запропоновано новий підхід до створення штучного набору даних, який генерує нескінченний потік унікальних послідовностей з 2D або 3D фігур. Цей датасет призначений для створення контрольованого середовища базової оцінки та порівняння архітектур моделей глибокого навчання перед їх застосуванням до складніших реальних задач, забезпечуючи можливість ізольованого вивчення ключових характеристик моделей.

The development of deep learning models for processing time-dependent sequences, such as video, time series, or robotics signals, faces the challenge of evaluating the effectiveness of new architectures in the early stages of development. The use of real-world datasets, characterized by high stochasticity and complexity, complicates the isolated study of architecture properties and requires significant computational resources. A novel synthetic dataset proposed that allows for the generation of an infinite stream of unique sequences of 2D or 3D figure. The dataset is designed to create a controlled environment for basic evaluation and comparison of deep learning model architectures before their application to more complex real-world tasks, ensuring possibility of isolated study of key model characteristics.