92-98 ЭФФЕКТИВНОЕ ПЕРЕОБУЧЕНИЕ «МОДЕЛЕЙ» В РАМКАХ МЕТОДА МНОГОМЕРНОЙ ИНТЕРПОЛЯЦИИ 2016 г. Ю.Н. Бахвалов, И.В. Копылов ООО «Малленом системс» holbah@mail.ru, ivv.kopylov@gmail.com Исследуется метод машинного обучения, основанный на теории случайных функций. <...> Показано, что для данного метода существует способ быстрого переобучения «модели» при добавлении новых данных к существующим, при этом вычислительная сложность построения обновленной «модели» уменьшается с O(m3) до O(m2). <...> Под «моделью» понимается построенная по обучающим данным интерполирующая или аппроксимирующая функция. <...> Рассматриваемый подход может иметь самостоятельную ценность в области линейной алгебры в применении к хорошо обусловленным линейным системам с симметричной матрицей. <...> Введение Одним из эффективных вариантов решения задач многомерной интерполяции и аппроксимации является использование теории случайных функций. <...> Предложенное в [1] решение можно рассматривать как метод машинного обучения с учителем в признаковом пространстве, гарантирующий получение оптимального результата с точки зрения рассматриваемого математического аппарата. <...> Рассмотрим задачу интерполяции, выписав несколько ключевых выражений из [1, 2]. <...> В существующем методе машинного обучения – многомерная интерполяция и аппроксимация на основе теории случайных функций – искомая интерполирующая функция (обученная «модель») является наиболее вероятной реализацией случайной функции и выглядит следующим образом: Эффективное переобучение «моделей» в рамках метода многомерной интерполяции * f x qKx x q Kx x2) . q Kx x . <...> При непротиворечивых данных в обучающей выборке функция (2) гарантирует существование решения системы (3). <...> Если берется другая симметричная функция и система (3) не является вырожденной, то все рассматриваемые ниже преобразования также будут справедливы. <...> . 2) 2) f ( 2 k ) 1, 93 (2) Функция (2) была <...>