Интернаука - Интернаука №16 (часть1) 2020

Сети Deep Belief и Deep Boltzmann Machines -

от ряда недостатков, таких как вычислительные за-

это модели глубокого обучения, принадлежащие к

траты, связанные с обучением DBN, и тот факт, что

«семейству Больцмана», в том смысле, что они ис-

шаги к дальнейшей оптимизации сети на основе

пользуют Ограниченную машину Больцмана (RBM)

приближенного обучения с максимальной вероятно-

в качестве учебного модуля. Restricted Boltzmann

стью неясны

Machine (RBM) - это генеративная стохастическая

Глубокие машины Больцмана - еще один тип

нейронная сеть. DBN имеют ненаправленные со-

глубокой модели, использующей RBM в качестве

единения на верхних двух уровнях, которые форми-

своего строительного блока. Различие в архитектуре

руют RBM и направляют соединения на нижние

DBN состоит в том, что в последних два верхних

уровни. DBM имеют ненаправленные соединения

уровня образуют неориентированную графическую

между всеми уровнями сети [2].

модель, а нижние уровни образуют направленную

Сеть глубокого убеждения (DBN) и Deep

порождающую модель, тогда как в DBM все соеди-

Boltzmann Machine (DBM). Два верхних слоя DBN

нения не являются ненаправленными. DBM имеют

образуют неориентированный граф, а остальные

несколько уровней скрытых единиц, где единицы в

слои образуют сеть убеждений с направленными

нечетных слоях условно не зависят от четных слоев

нисходящими соединениями. В DBM все соедине-

и наоборот [3].

ния не являются ненаправленными.

Всплеск глубокого обучения в последние годы

Ограниченная машина Больцмана - это неориен-

во многом обусловлен успехами, достигнутыми в

тированная графическая модель со стохастическими

области компьютерного зрения. В качестве заклю-

видимыми переменными и стохастические скрытые

чительного замечания, несмотря на впечатляющие -

переменные где каждая видимая переменная связана

результаты, серьезные проблемы остаются, особен-

с каждой скрытой переменной. RBM - это вариант

но в том, что касается теоретической основы, кото-

машины Больцмана с ограничением на то, что ви-

рая бы четко объяснила способы определения опти-

димые и скрытые единицы должны образовывать

мального выбора модели тип и структуру для кон-

двудольный граф. Это ограничение позволяет ис-

кретной задачи или для глубокого понимания при-

пользовать более эффективные алгоритмы обуче-

чин, по которым конкретная архитектура или алго-

ния, в частности алгоритм контрастивной диверген-

ритм эффективны в данной задаче или нет. Это одни

ции на основе градиента.

из самых важных вопросов, которые будут продол-

Сети глубокой веры (DBN) - это вероятностные

жать привлекать интерес сообщества исследовате-

генеративные модели, которые обеспечивают сов-

лей машинного обучения в ближайшие годы.

местное распределение вероятностей по наблюдае-

Список литературы:

1. TensorFlow [Электронный ресурс] Режим доступа: https://www.tensorflow.org

2. А. Тошев и С. Сегеди, «DeepPose: оценка позы человека с помощью глубоких нейронных сетей», в материалах 27-й конференции IEEE по компьютерному зрению и распознаванию образов, CVPR 2014 , с. 1653–1660, США, июнь 2014 г. Режим доступа : Google ученый

3. И. Гудфеллоу, М. Мирза, А. Курвилль и др., «Глубокие машины Больцмана с множественным предсказани-

ем», в трудах NIPS , 2013г. Режим доступа : Google Scholar

6

Журнал «Интернаука»

№ 16 (145), часть 1, 2020 г.

ИДЕНТИФИКАЦИЯ, АУТЕНТИФИКАЦИЯ И АВТОРИЗАЦИЯ СУБЪЕКТОВ КОНТРОЛЯ

К ОБЪЕКТАМ ДОСТУПА БАЗЫ ДАННЫХ

Величко Дмитрий Владимирович

выпускник Краснодарского высшего военного училища им. С.М. Штеменко, РФ, г. Симферополь

IDENTIFICATION, AUTHENTICATION AND AUTHORIZATION OF CONTROL SUBJECTS

TO DATABASE ACCESS OBJECTS

Dmitry Velichko

graduate of the Krasnodar higher military school,

Russia, Simferopol

АННОТАЦИЯ

В данной статье рассмотрена СУБД Линтер, способы организации данных, системы контроля базами дан-

ных. Также рассмотрены способы логической и физической защиты баз данных. Предложены методические

рекомендации по надстройке СУБД.

ABSTRACT

This article discusses databases, their management systems, data organizations methods, database control systems.

The methods of logical and physical protection of databases are also considered. Methodical recommendations on the DBMS add-in are offered.

Ключевые слова:база данных, СУБД Линтер, таблицы баз данных, реляционная СУБД, логическая

защита, физическая защита.