Штучний інтелект

Анотація: Використання моделей машинного навчання для класифікації реальних та штучно згенерованих зображень стає все більш актуальним напрямком досліджень у сфері штучного інтелекту. Ця стаття присвячена аналізу та розробці різноманітних моделей машинного навчання, що застосовуються для цієї задачі. Наша основна мета полягає в тому, щоб дослідити ефективність різних архітектур нейронних мереж у класифікації зображень, які були створені як людиною, так і за допомогою штучного інтелекту. В рамках дослідження ми використовували дев'ять різних архітектур нейронних мереж, розроблених з метою аналізу їх ефективності в класифікації зображень. Ми вивчали як реальні зображення, так і ті, що були згенеровані за допомогою штучного інтелекту. Останні стають все більш поширеними в сучасному світі, а, отже, з'являється необхідність в їх визначенні та класифікації. Основні результати нашого дослідження включають детальний аналіз характеристик згенерованих зображень, а також порівняння моделей за допомогою різних метрик. Ми використовували такі метрики, як точність та F1-оцінка, що дозволили нам об'єктивно оцінити роботу кожної з моделей. Крім того, ми визначили найбільш ефективні моделі для задачі класифікації зображень. Одним із ключових висновків нашого дослідження є те, що моделі, які використовують регуляризацію та аугментацію даних, показали кращі результати. Регуляризація та аугментація даних допомагають забезпечити більш стабільну точність класифікації та зменшують схильність до перенавчання, що є важливою проблемою в галузі машинного навчання. Ці результати можуть бути корисними для розробки стратегій протидії дезінформації, що стала проблемою в сучасному інформаційному суспільстві. Завдяки використанню моделей машинного навчання можна виявляти штучно згенеровані зображення та відокремлювати їх від реальних, що допоможе запобігти поширенню фальшивих новин та дезінформації. Крім того, результати нашого дослідження можуть сприяти подальшому вдосконаленню алгоритмів генерації зображень, що є важливим напрямком розвитку штучного інтелекту. Вони можуть слугувати основою для створення більш точних та ефективних моделей, які зможуть генерувати зображення, що максимально наближені до реальних.

Ключові слова: машинне навчання, класифікація зображень, штучний інтелект, нейронні мережі, регуляризація, аугментація даних, дезінформація, алгоритми генерації зображень, точність, F1-оцінка, перенавчання.

Посилання:

1. Набори даних. Kaggle. URL:https://www.kaggle.com/datasets (дата звернення: 02.09.2024).
2. Посібник з конволюційних нейронних мереж. TensorFlow. URL:https://www.tensorflow.org/tutorials/images/cnn (дата звернення: 02.09.2024).
3. Стаття про дослідження в галузі нейронних мереж. Arxiv. URL:https://arxiv.org/abs/1511.08458 (дата звернення: 02.09.2024).
4. Стаття про великі дані. Journal of Big Data. URL:https://journalofbigdata.springeropen.com/articles/ 10.1186/s40537-021-00444-8 (дата звернення: 02.09.2024).
5. Повний посібник по конволюційним нейронним мережам. Towards Data Science. URL:https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53 (дата звернення: 02.09.2024).
6. Стаття про конволюційні нейронні мережі. Analytics Vidhya. URL:https://www.analyticsvidhya.com/blog/2021/05/convolutional-neural-networks-cnn/ (дата звернення: 02.09.2024).
7. Вступ до конволюційних нейронних мереж. Geeks for Geeks. URL:https://www.geeksforgeeks.org/introduction-convolution-neural-network/ (дата звернення: 02.09.2024).