В статье показано, что алгоритм обучения, рекомендуемый первой редакцией ГОСТ Р 52633.5, обладает гиперробастностью и способен работать с очень плохими биометрическими данными. Объясняются причины, по которым другие известные алгоритмы обучения нейронных сетей теряют устойчивость с ростом размерности входных данных. Кроме того, в публикации дан анализ причин, порождающих гиперустойчивость стандартизуемого в настоящие время алгоритма обучения.
Введение
Цифровая вычислительная техника стала активно развиваться начиная с середины прошлого века. В 1960-е годы, на первом этапе ее развития, ЭВМ очень быстро увеличивали свою производительность, происходило становление технической кибернетики, возникла иллюзия того, что суперЭВМ смогут решить большинство насущных задач. В 1990-х годах ЭВМ превратились в ПЭВМ и стали общедоступными, пришло осознание того, что рост вычислительных ресурсов сам по себе не дает ощутимых преимуществ. За последние 20 лет возможности вычислительной техники выросли на 2 или даже 3 порядка, не принеся при этом ощутимых побед в области распознавания искусственным интеллектом образов, голоса или рукописного почерка.
Главной причиной неудач технической кибернетики, произошедших за последние 10–20 лет, является так называемое «проклятие размерности». Одними из пионеров, кто предложил первый конструктивный подход к борьбе с этим явлением, стали отечественные исследователи Тихонов и Арсенин. Параллельно с ним начал активно использоваться подход по преодолению «проклятия размерности» с привлечением искусственных нейронных сетей, а также подход с использованием «грубой силы», согласно которому плохая информация стократно или даже тысячекратно дублировалась (переопределялась).
Практика показала, что обучение нейронных сетей дает чуть лучшие результаты по сравнению с регуляризацией по Тихонову и Арсенину, однако этот выигрыш ограниченный и очень быстро исчерпывается. Применительно к биометрии регуляризация позволяет поднять размерность обращаемых матриц с четырех до двенадцати. Нейронные сети предоставляют возможность использовать порядка 24–32 биометрических параметров удовлетворительного качества. Известные ранее алгоритмы обучения нейронных сетей не могли и не могут работать с плохими и очень плохими биометрическими данными.
Использование «грубой силы» через стократное или даже тысячекратное накапливание (переопределение) биометрических данных для практического применения неприемлемо. Пользователи биометрии не согласны обучать средства защиты, предъявляя ему сотни или даже тысячи примеров своего биометрического образа.
Проблема «проклятия размерности» усиливается с развитием вычислительной техники (средства вычисления имеются в изобилии, а воспользоваться ими не удается). Впервые эту проблему удалось решить в России в начале XXI века. Последующие, проводившиеся в нашей стране коллективные исследования, в конечном итоге позволили разработать проект национального стандарта, снимающего «проклятие размерности» применительно к плохим биометрическим данным.
Основной задачей данной статьи является ознакомление научно-технической общественности с рядом постулатов, которые были использованы при коллективной разработке ГОСТ Р 52633.5 и ранее не публиковались.
< ... >
