Удосконалення інформаційної технології на основі методу метричного проксимального градієнта з уведенням діагонального кроку

DOI: 10.31673/2412-9070.2021.063540

Анотація

Розглянуто окремі аспекти використання методів оптимізації в телекомунікаційних мережах. Особливо актуальне використання оптимізаційних методів засобами машинного навчання з метою уникнення різних позаштатних ситуацій в мережах. Доцільно застосування методів машинного навчання під час отримання інформації про якість сигналу, трафіку тощо. Водночас можна робити прогнози різного роду несправностей, маршрутизації, контролю безпеки.
Визначено, що в процесі моделювання неоднорідних мереж ефективне використання моделі марковського випадкового поля. Такий підхід дає можливість моделювати експоненціальний розподіл вузлів у гетерогенних мережах.
Наведено модифікацію алгоритму проксимального градієнта — метод змінного метричного проксимального градієнта. Забезпечення швидкої збіжності досягається засобами діагонального розміру кроку, який є ефективнішим, ніж скалярний.
Розкрито адаптивне правило вибору метрики, тобто діагонального кроку, що ґрунтується на методі Барзілая-Борвейна (ББ). У поданому алгоритмі поєднуються два підходи: стандартний метод проксимального градієнта та проксимальний метод Ньютона. Реалізовано встановлення чітких правил вибору діагонального розміру кроку для алгоритмів опуклої оптимізації.

Ключові слова: опукла оптимізація; методи оптимізації; машинне навчання; діагональний розмір кроку; метод Барзілая-Борвейна; проксимальний градієнт.

Список використаної літератури
1. Protection of telecommunication network from natural hazards of global warming / P. Anakhov, V. Zhebka, G. Grynkevych, A. Makarenko // Eastern-European Journal of Enterprise Technologies. 2020. 3(10 (105)). P. 26–37.
2. Systematization of measures on lightning protection of the objects of telecommunications network / P. Anakhov, A. Makarenko, V. Zhebka [et al.] // International Journal of Advanced Trends in Computer Science and Engineering. 2020. № 9(5). P. 7870–7877.
3. Berkman L., Kriuchkova L., Zhebka V., Strelnikova S. Universal Method of Multidimensional Signal Formation for Any Multiplicity of Modulation in 5G Mobile Network Lecture Notes in Electrical Engineeringthis link is disabled, 2022, 831. Р. 305–321.
4. Measuring the effectiveness of a radio-identification system / O. S. Bichkov, V. S. Nakonechnyi, N. V. Lukova-Chuiko [et al.] // Journal of Communications. 2020. №15 (9). P. 669–675.
5. Canale A., Lunardon N. Churn prediction in telecommunications industry. A study based on bagging classifiers telecom // Carlo Alberto Notebooks, 2014. Vol. 350. P. 1–11. URL: https://www.carloalberto.org/assets/working-papers/no.350.pdf.
6. Hughes J., Murali H., Petruta C Caragea. Autologistic models for binary data on a lattice // Environmetrics 2011. 22.7. P. 857–871.
7. Khan A. A., Sanjay J., Sepehri M. M. Applying data mining to customer churn prediction in an Internet service provider // Int. J. Comput. Appl., 2010. Vol. 9. No. 7. P. 8–14. URL: http:// www.ijcaonline.org/volume9/number7/pxc3871889.pdf.
8. The Diagnostics Methods for Modern Communication Tools in the Armed Forces of Ukraine Based on Neural Network Approach / O. Klymovych, V. Hrabchak, O. Lavrut [et al.] // MOMLET 2020 (Modern Machine Learning Technologies Workshop). P. 198–208. [Електронний ресурс]. URL: http://ceur-ws.org/Vol-2631.
9. Wainwright M. J., Jordan M. I. Graphical Models, Exponential Families, and Variational Inference. Found. and Tr. in Mach. Learn., 1(1–2):1–305, 2008.
10. Zucchini W., MacDonald I. L., Langrock R. Hidden Markov Models for Time Series: An Introduction Using R. Chapman and Hall, 2016.
11. Жебка В. В. Моделювання марковського випадкового поля з метою його подальшої оптимізації та застосування // Зв’язок. 2020. №5. С. 35–40.
12. Жебка В. В. Управління фінансовими ризиками за допомогою машинного навчання // Зв’язок. 2018. №6. С. 32–35.
13. Оптимизация работы алгоритма градиентного бустинга с помощью перекрестной проверки / В. В. Жебка, В. И. Виноградов, А. П. Бондарчук, М. Н. Степанов // Актуальні проблеми економіки. Київ: 2019. №12 (222). С. 189–197.
14. Жебка В. В., Негоденко Е. В., Аронов А. А. Алгоритм максимально эффективного использования памяти для попарного марковского случайного поля // Актуальні проблеми економіки. 2020. №1 (223). С. 180–191.
15. Лаврут О. О., Лаврут Т. В. Модель та метод управління трафіком в мережах зв’язку критичного призначення. Prospects and priorities of research in science and technology: Collective monograph. Vol. 2. Riga, Latvia: Baltija Publishing, 2020. P. 36–60.